論文の概要: Graph Neural Networks for Node-Level Predictions
- arxiv url: http://arxiv.org/abs/2007.08649v1
- Date: Mon, 22 Jun 2020 11:57:03 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-18 05:22:22.616488
- Title: Graph Neural Networks for Node-Level Predictions
- Title（参考訳）: ノードレベル予測のためのグラフニューラルネットワーク
- Authors: Christoph Heindl
- Abstract要約: ディープラーニングはコンピュータビジョン、テキスト、音声処理などの分野を含む多くの研究分野に革命をもたらした。
本研究の目的は、ノードレベルの予測タスクのための、グラフニューラルネットワークに基づく機械学習手法の、初期および近代的な概要を提供することである。
- 参考スコア（独自算出の注目度）: 0.7310043452300736
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The success of deep learning has revolutionized many fields of research
including areas of computer vision, text and speech processing. Enormous
research efforts have led to numerous methods that are capable of efficiently
analyzing data, especially in the Euclidean space. However, many problems are
posed in non-Euclidean domains modeled as general graphs with complex
connection patterns. Increased problem complexity and computational power
constraints have limited early approaches to static and small-sized graphs. In
recent years, a rising interest in machine learning on graph-structured data
has been accompanied by improved methods that overcome the limitations of their
predecessors. These methods paved the way for dealing with large-scale and
time-dynamic graphs. This work aims to provide an overview of early and modern
graph neural network based machine learning methods for node-level prediction
tasks. Under the umbrella of taxonomies already established in the literature,
we explain the core concepts and provide detailed explanations for
convolutional methods that have had strong impact. In addition, we introduce
common benchmarks and present selected applications from various areas.
Finally, we discuss open problems for further research.
- Abstract（参考訳）: ディープラーニングの成功は、コンピュータビジョン、テキスト、音声処理などの分野を含む多くの研究分野に革命をもたらした。
膨大な研究努力により、ユークリッド空間においてデータを効率的に分析できる多くの手法が導かれた。
しかし、多くの問題は複素接続パターンを持つ一般グラフとしてモデル化された非ユークリッド領域において生じる。
問題複雑性の増加と計算能力の制約により、静的グラフや小規模グラフへの初期のアプローチは限られている。
近年,グラフ構造化データに対する機械学習への関心が高まっている。
これらの手法は、大規模および時間動的グラフを扱うための道を開いた。
本研究は,ノードレベルの予測タスクのための,グラフニューラルネットワークに基づく機械学習手法の概要を提供する。
文献にすでに確立されている分類学の包括下において,核となる概念を説明し,強い影響を持つ畳み込み法の詳細な説明を行う。
さらに,各種分野の共通ベンチマークと選択したアプリケーションについて紹介する。
最後に、さらなる研究のためにオープンな問題を議論する。
関連論文リスト
- Foundations and Frontiers of Graph Learning Theory [81.39078977407719]
グラフ学習の最近の進歩は、複雑な構造を持つデータを理解し分析する方法に革命をもたらした。
グラフニューラルネットワーク(GNN)、すなわちグラフ表現を学習するために設計されたニューラルネットワークアーキテクチャは、一般的なパラダイムとなっている。
本稿では,グラフ学習モデルに固有の近似と学習行動に関する理論的基礎とブレークスルーについて概説する。
論文 参考訳（メタデータ） (2024-07-03T14:07:41Z) - A Survey of Data-Efficient Graph Learning [16.053913182723143]
研究フロンティアとして,データ効率グラフ学習(DEGL)の新たな概念を紹介した。
我々は、自己教師付きグラフ学習、半教師付きグラフ学習、少数ショットグラフ学習など、いくつかの重要な側面に関する最近の進歩を体系的にレビューした。
論文 参考訳（メタデータ） (2024-02-01T09:28:48Z) - A Comprehensive Survey on Deep Graph Representation Learning [26.24869157855632]
グラフ表現学習は、高次元スパースグラフ構造化データを低次元密度ベクトルに符号化することを目的としている。
従来の手法ではモデル能力に制限があり、学習性能に制限がある。
深層グラフ表現学習は、浅い(伝統的な)方法よりも大きな可能性と利点を示している。
論文 参考訳（メタデータ） (2023-04-11T08:23:52Z) - State of the Art and Potentialities of Graph-level Learning [54.68482109186052]
グラフレベルの学習は、比較、回帰、分類など、多くのタスクに適用されている。
グラフの集合を学習する伝統的なアプローチは、サブストラクチャのような手作りの特徴に依存している。
ディープラーニングは、機能を自動的に抽出し、グラフを低次元表現に符号化することで、グラフレベルの学習をグラフの規模に適応させるのに役立っている。
論文 参考訳（メタデータ） (2023-01-14T09:15:49Z) - A Complex Network based Graph Embedding Method for Link Prediction [0.0]
本稿では,人気相似性と地域アトラクションのパラダイムに基づく新しいグラフ埋め込み手法を提案する。
実験結果から,提案手法は最先端のグラフ埋め込みアルゴリズムよりも優れていることを示す。
論文 参考訳（メタデータ） (2022-09-11T14:46:38Z) - Learning node embeddings via summary graphs: a brief theoretical
analysis [55.25628709267215]
グラフ表現学習は多くのグラフマイニングアプリケーションにおいて重要な役割を果たすが、大規模なグラフの埋め込みを学習することは依然として問題である。
最近の研究は、グラフの要約(つまり、より小さな要約グラフへの埋め込みを学習し、元のグラフのノード埋め込みを復元することでスケーラビリティを向上させる。
本稿では,導入したカーネル行列に基づく3つの特定の埋め込み学習手法について,詳細な理論的解析を行う。
論文 参考訳（メタデータ） (2022-07-04T04:09:50Z) - Hyperbolic Graph Neural Networks: A Review of Methods and Applications [55.5502008501764]
グラフニューラルネットワークは、従来のニューラルネットワークをグラフ構造化データに一般化する。
グラフ関連学習におけるユークリッドモデルの性能は、ユークリッド幾何学の表現能力によって依然として制限されている。
近年,木のような構造を持つグラフデータ処理や,ゆるい分布の処理において,双曲空間が人気が高まっている。
論文 参考訳（メタデータ） (2022-02-28T15:08:48Z) - Towards Deeper Graph Neural Networks [63.46470695525957]
グラフ畳み込みは近傍の集約を行い、最も重要なグラフ操作の1つである。
いくつかの最近の研究で、この性能劣化は過度に滑らかな問題に起因している。
本研究では,大きな受容領域からの情報を適応的に組み込むディープ適応グラフニューラルネットワーク(DAGNN)を提案する。
論文 参考訳（メタデータ） (2020-07-18T01:11:14Z) - Geometrically Principled Connections in Graph Neural Networks [66.51286736506658]
我々は、幾何学的深層学習の新興分野におけるイノベーションの原動力は、幾何が依然として主要な推進力であるべきだと論じている。
グラフニューラルネットワークとコンピュータグラフィックスとデータ近似モデルとの関係:放射基底関数(RBF)
完全連結層とグラフ畳み込み演算子を組み合わせた新しいビルディングブロックであるアフィンスキップ接続を導入する。
論文 参考訳（メタデータ） (2020-04-06T13:25:46Z) - A Gentle Introduction to Deep Learning for Graphs [23.809161531445053]
この作品は、グラフのディープラーニング分野のチュートリアルとして設計されている。
構造化情報処理に対する局所的および反復的アプローチに基づくグラフ表現学習の一般的な定式化を導入する。
グラフの新規かつ効果的なニューラルモデルを設計するために組み合わせられる基本的なビルディングブロックを導入している。
論文 参考訳（メタデータ） (2019-12-29T16:43:39Z)
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。