論文の概要: TUDataset: A collection of benchmark datasets for learning with graphs
- arxiv url: http://arxiv.org/abs/2007.08663v1
- Date: Thu, 16 Jul 2020 21:46:33 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-09 21:48:03.272324
- Title: TUDataset: A collection of benchmark datasets for learning with graphs
- Title（参考訳）: tudataset:グラフを用いた学習のためのベンチマークデータセットのコレクション
- Authors: Christopher Morris, Nils M. Kriege, Franka Bause, Kristian Kersting,
Petra Mutzel, Marion Neumann
- Abstract要約: グラフ分類と回帰のためのTUDatasetを紹介する。
コレクションは、広範囲のアプリケーションから、さまざまなサイズの120以上のデータセットで構成されている。
すべてのデータセットはwww.graphlearning.ioで入手できる。
- 参考スコア（独自算出の注目度）: 21.16723995518478
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recently, there has been an increasing interest in (supervised) learning with
graph data, especially using graph neural networks. However, the development of
meaningful benchmark datasets and standardized evaluation procedures is
lagging, consequently hindering advancements in this area. To address this, we
introduce the TUDataset for graph classification and regression. The collection
consists of over 120 datasets of varying sizes from a wide range of
applications. We provide Python-based data loaders, kernel and graph neural
network baseline implementations, and evaluation tools. Here, we give an
overview of the datasets, standardized evaluation procedures, and provide
baseline experiments. All datasets are available at www.graphlearning.io. The
experiments are fully reproducible from the code available at
www.github.com/chrsmrrs/tudataset.
- Abstract（参考訳）: 近年,特にグラフニューラルネットワークを用いたグラフデータによる(教師付き)学習への関心が高まっている。
しかし、有意義なベンチマークデータセットと標準化された評価手順の開発は遅れており、この領域の進歩を妨げる。
そこで我々は,グラフ分類と回帰のためのTUDatasetを提案する。
このコレクションは、幅広いアプリケーションからさまざまなサイズの120以上のデータセットで構成されている。
我々はpythonベースのデータローダ、カーネルおよびグラフニューラルネットワークのベースライン実装、評価ツールを提供する。
本稿では,データセットの概要,標準化された評価手順,ベースライン実験について述べる。
すべてのデータセットはwww.graphlearning.ioで入手できる。
実験はwww.github.com/chrsmrrs/tudatasetで利用可能なコードから完全に再現可能である。
関連論文リスト
- Temporal Graph Benchmark for Machine Learning on Temporal Graphs [54.52243310226456]
テンポラルグラフベンチマーク(TGB)は、困難で多様なベンチマークデータセットのコレクションである。
各データセットをベンチマークし、共通のモデルのパフォーマンスがデータセット間で大きく異なることを発見した。
TGBは、再現可能でアクセス可能な時間グラフ研究のための自動機械学習パイプラインを提供する。
論文 参考訳（メタデータ） (2023-07-03T13:58:20Z) - Exploring Data Redundancy in Real-world Image Classification through
Data Selection [20.389636181891515]
ディープラーニングモデルはトレーニングに大量のデータを必要とすることが多く、結果としてコストが増大する。
実世界の画像データの冗長性を調べるために,シナプスインテリジェンスと勾配ノルムに基づく2つのデータ評価指標を提案する。
オンラインおよびオフラインのデータ選択アルゴリズムは、検査されたデータ値に基づいてクラスタリングとグループ化によって提案される。
論文 参考訳（メタデータ） (2023-06-25T03:31:05Z) - Diving into Unified Data-Model Sparsity for Class-Imbalanced Graph
Representation Learning [30.23894624193583]
非ユークリッドグラフデータに基づくグラフニューラルネットワーク(GNN)トレーニングは、しばしば比較的高い時間コストに直面する。
グラフ決定(Graph Decantation, GraphDec)と呼ばれる統一されたデータモデル動的疎結合フレームワークを開発し, 大規模なクラス不均衡グラフデータのトレーニングによる課題に対処する。
論文 参考訳（メタデータ） (2022-10-01T01:47:00Z) - A Robust Stacking Framework for Training Deep Graph Models with
Multifaceted Node Features [61.92791503017341]
数値ノード特徴とグラフ構造を入力とするグラフニューラルネットワーク(GNN)は,グラフデータを用いた各種教師付き学習タスクにおいて,優れた性能を示した。
IID(non-graph)データをGNNに簡単に組み込むことはできない。
本稿では、グラフ認識の伝播をIDデータに意図した任意のモデルで融合するロバストな積み重ねフレームワークを提案する。
論文 参考訳（メタデータ） (2022-06-16T22:46:33Z) - Graph-level Neural Networks: Current Progress and Future Directions [61.08696673768116]
グラフレベルのニューラルネットワーク(GLNN、ディープラーニングベースのグラフレベルの学習法)は、高次元データのモデリングにおいて優れているため、魅力的である。
本稿では,深層ニューラルネットワーク,グラフニューラルネットワーク,グラフプール上でのGLNNを網羅する系統分類法を提案する。
論文 参考訳（メタデータ） (2022-05-31T06:16:55Z) - Neural Graph Matching for Pre-training Graph Neural Networks [72.32801428070749]
グラフニューラルネットワーク(GNN)は、構造データのモデリングにおいて強力な能力を示している。
GMPTと呼ばれる新しいグラフマッチングベースのGNN事前学習フレームワークを提案する。
提案手法は,完全自己指導型プレトレーニングと粗粒型プレトレーニングに適用できる。
論文 参考訳（メタデータ） (2022-03-03T09:53:53Z) - Graph Contrastive Learning with Augmentations [109.23158429991298]
グラフデータの教師なし表現を学習するためのグラフコントラスト学習(GraphCL)フレームワークを提案する。
我々のフレームワークは、最先端の手法と比較して、類似またはより良い一般化可能性、転送可能性、堅牢性のグラフ表現を作成できることを示す。
論文 参考訳（メタデータ） (2020-10-22T20:13:43Z) - Wiki-CS: A Wikipedia-Based Benchmark for Graph Neural Networks [0.0]
本稿では,グラフニューラルネットワークのベンチマークを行うためのウィキペディアから派生した新しいデータセットであるWiki-CSを紹介する。
データセットはコンピュータサイエンスの記事に対応するノードで構成され、ハイパーリンクに基づくエッジと、フィールドの異なるブランチを表す10のクラスで構成されている。
このデータセットを用いて、半教師付きノード分類と単関係リンク予測モデルを評価する。
論文 参考訳（メタデータ） (2020-07-06T17:25:47Z) - Open Graph Benchmark: Datasets for Machine Learning on Graphs [86.96887552203479]
スケーラブルで堅牢で再現可能なグラフ機械学習(ML)の研究を容易にするために,Open Graph Benchmark(OGB)を提案する。
OGBデータセットは大規模で、複数の重要なグラフMLタスクを含み、さまざまなドメインをカバーする。
各データセットに対して,有意義なアプリケーション固有のデータ分割と評価指標を用いた統一評価プロトコルを提供する。
論文 参考訳（メタデータ） (2020-05-02T03:09:50Z)
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。