Fugu-MT 論文翻訳(概要): Distance-Geometric Graph Convolutional Network (DG-GCN) for Three-Dimensional (3D) Graphs

論文の概要: Distance-Geometric Graph Convolutional Network (DG-GCN) for Three-Dimensional (3D) Graphs

arxiv url: http://arxiv.org/abs/2007.03513v4
Date: Mon, 22 Mar 2021 17:53:03 GMT
ステータス: 処理完了
システム内更新日: 2022-11-13 02:00:26.845986
Title: Distance-Geometric Graph Convolutional Network (DG-GCN) for Three-Dimensional (3D) Graphs
Title（参考訳）: 3次元グラフのための距離幾何学グラフ畳み込みネットワーク(DG-GCN)
Authors: Daniel T. Chang
Abstract要約: 距離幾何学グラフ表現に基づくメッセージパッシンググラフ畳み込みネットワークを提案する。距離からフィルタ重みの学習を可能にし、3次元グラフの幾何学をグラフ畳み込みに組み込む。本研究は3次元グラフ,特に分子グラフ上でのエンドツーエンドディープラーニングにおけるDG-GCNの有用性と価値を示す。
参考スコア（独自算出の注目度）: 0.8722210937404288
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The distance-geometric graph representation adopts a unified scheme (distance) for representing the geometry of three-dimensional(3D) graphs. It is invariant to rotation and translation of the graph and it reflects pair-wise node interactions and their generally local nature. To facilitate the incorporation of geometry in deep learning on 3D graphs, we propose a message-passing graph convolutional network based on the distance-geometric graph representation: DG-GCN (distance-geometric graph convolution network). It utilizes continuous-filter convolutional layers, with filter-generating networks, that enable learning of filter weights from distances, thereby incorporating the geometry of 3D graphs in graph convolutions. Our results for the ESOL and FreeSolv datasets show major improvement over those of standard graph convolutions. They also show significant improvement over those of geometric graph convolutions employing edge weight / edge distance power laws. Our work demonstrates the utility and value of DG-GCN for end-to-end deep learning on 3D graphs, particularly molecular graphs.
Abstract（参考訳）: 距離幾何学グラフ表現は3次元(3D)グラフの幾何学を表現する統一スキーム(距離)を採用する。グラフの回転と変換には不変であり、ペアワイズノード相互作用とその概して局所的な性質を反映している。本研究では,3次元グラフ上での深層学習における幾何の取り込みを容易にするために,距離-幾何グラフ表現に基づくメッセージパスグラフ畳み込みネットワークdg-gcnを提案する。フィルター生成ネットワークを備えた連続フィルタ畳み込み層を利用し、距離からフィルタ重みの学習を可能にし、グラフ畳み込みに3dグラフの幾何学を取り込む。 ESOLとFreeSolvデータセットの結果は、標準グラフ畳み込みよりも大幅に改善されている。また、エッジウェイト/エッジ距離パワー則を用いた幾何グラフ畳み込みよりも大幅に改善されている。本研究は3次元グラフ,特に分子グラフ上でのエンドツーエンドディープラーニングにおけるDG-GCNの有用性と価値を示す。

関連論文リスト

Point Cloud Denoising With Fine-Granularity Dynamic Graph Convolutional Networks [58.050130177241186]
ノイズの摂動は、しばしば3次元の点雲を破損させ、表面の再構成、レンダリング、さらなる処理といった下流のタスクを妨げる。本稿では,GDGCNと呼ばれる粒度動的グラフ畳み込みネットワークについて紹介する。
論文参考訳（メタデータ） (2024-11-21T14:19:32Z)
Structure-free Graph Condensation: From Large-scale Graphs to Condensed Graph-free Data [91.27527985415007]
既存のグラフ凝縮法は、凝縮グラフ内のノードと構造の合同最適化に依存している。我々は、大規模グラフを小さなグラフノード集合に蒸留する、SFGCと呼ばれる新しい構造自由グラフ凝縮パラダイムを提唱する。
論文参考訳（メタデータ） (2023-06-05T07:53:52Z)
Distance-Geometric Graph Attention Network (DG-GAT) for 3D Molecular Geometry [0.8722210937404288]
3次元距離幾何学グラフ表現(DG-GR)は、3次元グラフの幾何学を表現する統一的なスキーム(距離)を採用する。 DG-GRを用いた3次元距離幾何学グラフアテンションネットワーク(DG-GAT)を提案する。実験により、2次元分子グラフに基づく標準グラフ畳み込みネットワークよりも大幅に改善された。
論文参考訳（メタデータ） (2022-07-16T21:39:31Z)
Hierarchical Graph Networks for 3D Human Pose Estimation [50.600944798627786]
最近の2次元から3次元の人間のポーズ推定は、人間の骨格のトポロジーによって形成されたグラフ構造を利用する傾向がある。この骨格トポロジーは体の構造を反映するには小さすぎるため、重度の2次元から3次元のあいまいさに悩まされていると我々は主張する。本稿では,これらの弱点を克服するために,新しいグラフ畳み込みネットワークアーキテクチャである階層グラフネットワークを提案する。
論文参考訳（メタデータ） (2021-11-23T15:09:03Z)
Joint 3D Human Shape Recovery from A Single Imag with Bilayer-Graph [35.375489948345404]
画像から3次元の人物形状とポーズを推定するための2次元グラフ手法を提案する。密なグラフから得られた粗いグラフを用いて、人間の3次元のポーズを推定し、密なグラフを使って3次元の形状を推定する。エンド・ツー・エンドのモデルをトレーニングし、いくつかの評価データセットに対して最先端の結果が得られることを示す。
論文参考訳（メタデータ） (2021-10-16T05:04:02Z)
Pre-training Molecular Graph Representation with 3D Geometry [39.35244035710228]
分子グラフは典型的には2次元トポロジー構造によってモデル化される。実世界のシナリオにおける3D情報の欠如は幾何グラフ表現の学習を著しく妨げている。本稿では,2次元トポロジ構造と3次元幾何学的ビューの対応と整合性を活用して,自己指導型学習を行うグラフ多視点事前学習(Graph Multi-View Pre-training, GraphMVP)フレームワークを提案する。
論文参考訳（メタデータ） (2021-10-07T17:48:57Z)
Spectral Graph Convolutional Networks With Lifting-based Adaptive Graph Wavelets [81.63035727821145]
スペクトルグラフ畳み込みネットワーク(SGCN)はグラフ表現学習において注目を集めている。本稿では,適応グラフウェーブレットを用いたグラフ畳み込みを実装した新しいスペクトルグラフ畳み込みネットワークを提案する。
論文参考訳（メタデータ） (2021-08-03T17:57:53Z)
Joint Deep Multi-Graph Matching and 3D Geometry Learning from Inhomogeneous 2D Image Collections [57.60094385551773]
非均質な画像コレクションから変形可能な3Dジオメトリモデルを学ぶためのトレーニング可能なフレームワークを提案する。さらに,2次元画像で表現された物体の3次元形状も取得する。
論文参考訳（メタデータ） (2021-03-31T17:25:36Z)
Graph Pooling with Node Proximity for Hierarchical Representation Learning [80.62181998314547]
本稿では,ノード近接を利用したグラフプーリング手法を提案し,そのマルチホップトポロジを用いたグラフデータの階層的表現学習を改善する。その結果,提案したグラフプーリング戦略は,公開グラフ分類ベンチマークデータセットの集合において,最先端のパフォーマンスを達成できることが示唆された。
論文参考訳（メタデータ） (2020-06-19T13:09:44Z)
Geometric Graph Representations and Geometric Graph Convolutions for Deep Learning on Three-Dimensional (3D) Graphs [0.8722210937404288]
ノードとエッジからなる三次元(3次元)グラフの幾何学は、多くの重要な応用において重要な役割を果たす。我々は3種類の幾何グラフ表現を定義する: 位置、角度幾何学、距離幾何学である。概念実証には幾何学的グラフ畳み込みに距離幾何学的グラフ表現を用いる。 ESOLおよびFreesolデータセットの幾何グラフ畳み込みの結果は、標準グラフ畳み込みよりも大幅に改善されている。
論文参考訳（メタデータ） (2020-06-02T17:08:59Z)
Geom-GCN: Geometric Graph Convolutional Networks [15.783571061254847]
本稿では,この2つの弱点を克服するために,グラフニューラルネットワークのための新しい幾何集約手法を提案する。提案したアグリゲーションスキームは置換不変であり、ノード埋め込み、構造近傍、二レベルアグリゲーションという3つのモジュールから構成される。また,このスキームをGeom-GCNと呼ばれるグラフ畳み込みネットワークに実装し,グラフ上でトランスダクティブ学習を行う。
論文参考訳（メタデータ） (2020-02-13T00:03:09Z)

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。