論文の概要: AEGCN: An Autoencoder-Constrained Graph Convolutional Network
- arxiv url: http://arxiv.org/abs/2007.03424v3
- Date: Wed, 10 Feb 2021 09:40:28 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-14 04:55:02.220982
- Title: AEGCN: An Autoencoder-Constrained Graph Convolutional Network
- Title（参考訳）: AEGCN: オートエンコーダ制約付きグラフ畳み込みネットワーク
- Authors: Mingyuan Ma, Sen Na, Hongyu Wang
- Abstract要約: 本稿では,オートエンコーダ制約付きグラフ畳み込みネットワークと呼ばれる新しいニューラルネットワークアーキテクチャを提案する。
このモデルのコアはグラフ上で直接動作する畳み込みネットワークであり、隠れた層はオートエンコーダによって制約される。
オートエンコーダの制約を追加することで,グラフ畳み込みネットワークの性能が大幅に向上することを示す。
- 参考スコア（独自算出の注目度）: 5.023274927781062
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We propose a novel neural network architecture, called
autoencoder-constrained graph convolutional network, to solve node
classification task on graph domains. As suggested by its name, the core of
this model is a convolutional network operating directly on graphs, whose
hidden layers are constrained by an autoencoder. Comparing with vanilla graph
convolutional networks, the autoencoder step is added to reduce the information
loss brought by Laplacian smoothing. We consider applying our model on both
homogeneous graphs and heterogeneous graphs. For homogeneous graphs, the
autoencoder approximates to the adjacency matrix of the input graph by taking
hidden layer representations as encoder and another one-layer graph
convolutional network as decoder. For heterogeneous graphs, since there are
multiple adjacency matrices corresponding to different types of edges, the
autoencoder approximates to the feature matrix of the input graph instead, and
changes the encoder to a particularly designed multi-channel pre-processing
network with two layers. In both cases, the error occurred in the autoencoder
approximation goes to the penalty term in the loss function. In extensive
experiments on citation networks and other heterogeneous graphs, we demonstrate
that adding autoencoder constraints significantly improves the performance of
graph convolutional networks. Further, we notice that our technique can be
applied on graph attention network to improve the performance as well. This
reveals the wide applicability of the proposed autoencoder technique.
- Abstract（参考訳）: 本稿では,グラフ領域のノード分類課題を解決するために,オートエンコーダ制約グラフ畳み込みネットワークと呼ばれる新しいニューラルネットワークアーキテクチャを提案する。
名前が示すように、このモデルの中核はグラフ上で直接動作する畳み込みネットワークであり、隠れた層はオートエンコーダによって制約される。
バニラグラフ畳み込みネットワークと比較して、ラプラシアスムースメントによる情報損失を低減するためにオートエンコーダステップが追加される。
等質グラフと異質グラフの両方にモデルを適用することを検討する。
一様グラフの場合、オートエンコーダは、隠れた層表現をエンコーダとして、他の一層グラフ畳み込みネットワークをデコーダとして、入力グラフの隣接行列に近似する。
不均一グラフでは、異なる種類のエッジに対応する複数の隣接行列が存在するため、オートエンコーダは入力グラフの特徴行列に近似し、2つの層を持つ特別に設計されたマルチチャネル前処理ネットワークに変換する。
どちらの場合も、オートエンコーダ近似で発生した誤差は損失関数のペナルティ項になる。
引用ネットワークや他の異種グラフに関する広範な実験において、オートエンコーダ制約の追加はグラフ畳み込みネットワークの性能を大幅に向上させることを示した。
さらに,本手法はグラフアテンションネットワークにも適用でき,性能も向上することが判明した。
これにより、提案するオートエンコーダ手法の幅広い適用性が明らかになった。
関連論文リスト
- Learning Network Representations with Disentangled Graph Auto-Encoder [1.671868610555776]
DGA(Disentangled Graph Auto-Encoder)とDVGA(Disentangled Variational Graph Auto-Encoder)を導入する。
DGAは、エンコーダとして機能するマルチチャネルメッセージパッシング層を備えた畳み込みネットワークである。
DVGAは非交叉表現の特徴を考慮に入れた因子的デコーダである。
論文 参考訳（メタデータ） (2024-02-02T04:52:52Z) - Deep Manifold Graph Auto-Encoder for Attributed Graph Embedding [51.75091298017941]
本稿では,属性付きグラフデータに対する新しいDeep Manifold (Variational) Graph Auto-Encoder (DMVGAE/DMGAE)を提案する。
提案手法は,最先端のベースラインアルゴリズムを,一般的なデータセット間でのダウンストリームタスクの差を大きく越える。
論文 参考訳（メタデータ） (2024-01-12T17:57:07Z) - UniG-Encoder: A Universal Feature Encoder for Graph and Hypergraph Node
Classification [6.977634174845066]
グラフおよびハイパーグラフ表現学習のための普遍的特徴エンコーダ(UniG-Encoder)が設計されている。
アーキテクチャは、連結ノードのトポロジ的関係をエッジやハイパーエッジに前方変換することから始まる。
符号化されたノードの埋め込みは、投影行列の変換によって記述された逆変換から導かれる。
論文 参考訳（メタデータ） (2023-08-03T09:32:50Z) - Learning Graph Structure from Convolutional Mixtures [119.45320143101381]
本稿では、観測されたグラフと潜伏グラフのグラフ畳み込み関係を提案し、グラフ学習タスクをネットワーク逆(デコンボリューション)問題として定式化する。
固有分解に基づくスペクトル法の代わりに、近似勾配反復をアンロール・トランケートして、グラフデコンボリューションネットワーク(GDN)と呼ばれるパラメータ化ニューラルネットワークアーキテクチャに到達させる。
GDNは、教師付き方式でグラフの分布を学習し、損失関数を適応させることでリンク予測やエッジウェイト回帰タスクを実行し、本質的に帰納的である。
論文 参考訳（メタデータ） (2022-05-19T14:08:15Z) - Directed Graph Auto-Encoders [3.2873782624127843]
Wesfeiler-Lemanアルゴリズムのノードラベルへの直接拡張によって動機付けられた有向グラフのための新しい自動エンコーダのクラスを導入する。
本稿では,提案モデルが有意な潜伏埋め込みを学習し,有向リンク予測タスクにおいて優れた性能を実現する能力を示す。
論文 参考訳（メタデータ） (2022-02-25T01:19:47Z) - Graph Kernel Neural Networks [53.91024360329517]
本稿では、グラフ上の内部積を計算するカーネル関数であるグラフカーネルを用いて、標準畳み込み演算子をグラフ領域に拡張することを提案する。
これにより、入力グラフの埋め込みを計算する必要のない完全に構造的なモデルを定義することができる。
私たちのアーキテクチャでは,任意の種類のグラフカーネルをプラグインすることが可能です。
論文 参考訳（メタデータ） (2021-12-14T14:48:08Z) - Learning Graphon Autoencoders for Generative Graph Modeling [91.32624399902755]
Graphonは任意のサイズでグラフを生成する非パラメトリックモデルであり、グラフから簡単に誘導できる。
解析可能でスケーラブルなグラフ生成モデルを構築するために,textitgraphon autoencoder という新しいフレームワークを提案する。
線形グルーポン分解モデルはデコーダとして機能し、潜在表現を活用して誘導されたグルーポンを再構成する。
論文 参考訳（メタデータ） (2021-05-29T08:11:40Z) - Graph Autoencoders with Deconvolutional Networks [32.78113728062279]
Graph Deconvolutional Networks (GDN)は、スムーズなノード表現からグラフ信号を再構成する。
スペクトル領域の逆フィルタとウェーブレット領域のノイズ除去層の組み合わせにより、グラフデコンボリューションネットワークの設計を動機付けます。
提案したGDNに基づいて, GCNでスムースグラフ表現をエンコードし, GDNで正確なグラフ信号をデコードするグラフオートエンコーダフレームワークを提案する。
論文 参考訳（メタデータ） (2020-12-22T09:49:39Z) - Dirichlet Graph Variational Autoencoder [65.94744123832338]
本稿では,グラフクラスタメンバシップを潜在因子とするDGVAE(Dirichlet Graph Variational Autoencoder)を提案する。
バランスグラフカットにおける低パス特性により、入力グラフをクラスタメンバシップにエンコードする、Heattsと呼ばれるGNNの新しい変種を提案する。
論文 参考訳（メタデータ） (2020-10-09T07:35:26Z) - Graph-Aware Transformer: Is Attention All Graphs Need? [5.240000443825077]
GRaph-Aware Transformer (GRAT)はTransformerベースの最初のモデルであり、グラフ全体をエンドツーエンドでエンコードしデコードすることができる。
GRATはQM9ベンチマークで4つの回帰タスクに対する最先端のパフォーマンスを含む非常に有望な結果を示している。
論文 参考訳（メタデータ） (2020-06-09T12:13:56Z) - Adaptive Graph Auto-Encoder for General Data Clustering [90.8576971748142]
グラフベースのクラスタリングは、クラスタリング領域において重要な役割を果たす。
グラフ畳み込みニューラルネットワークに関する最近の研究は、グラフ型データにおいて驚くべき成功を収めている。
本稿では,グラフの生成的視点に応じて適応的にグラフを構成する汎用データクラスタリングのためのグラフ自動エンコーダを提案する。
論文 参考訳（メタデータ） (2020-02-20T10:11:28Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。