論文の概要: Grale: Designing Networks for Graph Learning

• arxiv url: http://arxiv.org/abs/2007.12002v1
• Date: Thu, 23 Jul 2020 13:25:36 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-07 12:12:06.130335
• Title: Grale: Designing Networks for Graph Learning
• Title（参考訳）: Grale: グラフ学習のためのネットワーク設計
• Authors: Jonathan Halcrow, Alexandru Mo\c{s}oi, Sam Ruth, Bryan Perozzi
• Abstract要約: 我々は,数十億のノードを持つグラフのグラフ設計問題に対処するために,スケーラブルなGraleを提案する。 グレールは、(潜在的に弱い)類似性の異なる測度を融合して、そのノード間の高いタスク固有のホモフィリーを示すグラフを作成する。 Googleでは、数千億のノードを持つデータセットや、数十兆の潜在的なエッジを含む、20以上の異なる産業環境にGraleをデプロイしています。
• 参考スコア（独自算出の注目度）: 68.23038997141381
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: How can we find the right graph for semi-supervised learning? In real world applications, the choice of which edges to use for computation is the first step in any graph learning process. Interestingly, there are often many types of similarity available to choose as the edges between nodes, and the choice of edges can drastically affect the performance of downstream semi-supervised learning systems. However, despite the importance of graph design, most of the literature assumes that the graph is static. In this work, we present Grale, a scalable method we have developed to address the problem of graph design for graphs with billions of nodes. Grale operates by fusing together different measures of(potentially weak) similarity to create a graph which exhibits high task-specific homophily between its nodes. Grale is designed for running on large datasets. We have deployed Grale in more than 20 different industrial settings at Google, including datasets which have tens of billions of nodes, and hundreds of trillions of potential edges to score. By employing locality sensitive hashing techniques,we greatly reduce the number of pairs that need to be scored, allowing us to learn a task specific model and build the associated nearest neighbor graph for such datasets in hours, rather than the days or even weeks that might be required otherwise. We illustrate this through a case study where we examine the application of Grale to an abuse classification problem on YouTube with hundreds of million of items. In this application, we find that Grale detects a large number of malicious actors on top of hard-coded rules and content classifiers, increasing the total recall by 89% over those approaches alone.
• Abstract（参考訳）: 半教師付き学習に適したグラフをどうやって見つけるのか? 現実世界のアプリケーションでは、どのエッジを計算に使うかを選択することは、どんなグラフ学習プロセスでも最初のステップです。 興味深いことに、ノード間のエッジとして選択できる多くの類似性があり、エッジの選択は下流の半教師あり学習システムの性能に大きな影響を与える。 しかし、グラフ設計の重要性にもかかわらず、ほとんどの文献はグラフが静的であると仮定している。 本稿では,数十億のノードを有するグラフのグラフ設計問題に対処するために開発したスケーラブルな手法であるgraleを提案する。 graleは(潜在的に弱い)類似性の異なる尺度を組み合わせることで動作し、ノード間で高いタスク固有のホモフィリーを示すグラフを作成する。 Graleは大規模なデータセット上で動作するように設計されている。 Googleでは、数千億のノードを持つデータセットや、数十兆の潜在的なエッジを含む、20以上の異なる産業環境にGraleをデプロイしています。 局所性に敏感なハッシュ技術を使用することで、スコア付けが必要なペアの数を大幅に削減し、タスク固有のモデルを学び、必要に応じて必要となる日や週ではなく、関連する隣接グラフを数時間で構築することが可能になります。 我々は,何億ものアイテムを持つyoutube上の乱用分類問題に対するgraleの適用を事例研究を通して検討する。 このアプリケーションでは、ハードコードされたルールとコンテンツ分類器の上に多数の悪意あるアクターを検知し、それらのアプローチだけで全体のリコールを89%増加させる。

関連論文リスト

• MGNet: Learning Correspondences via Multiple Graphs [78.0117352211091]
  学習対応は、不均一な対応分布と低い不整合率で設定された初期対応から正しい対応を見つけることを目的としている。 最近の進歩は、通常、グラフニューラルネットワーク(GNN)を使用して単一のタイプのグラフを構築したり、グローバルなグラフに局所グラフをスタックしてタスクを完了させる。 本稿では,複数の補完グラフを効果的に組み合わせるためのMGNetを提案する。
  論文  参考訳（メタデータ） (2024-01-10T07:58:44Z)
• Exploiting Edge Features in Graphs with Fused Network Gromov-Wasserstein Distance [18.522233517515975]
  ノードとエッジが特徴を持つグラフを比較するために,Gromov-Wasserstein距離の拡張を導入する。 入力空間または出力空間でグラフが発生する学習タスクにおいて、新しい距離の有効性を実証的に示す。
  論文  参考訳（メタデータ） (2023-09-28T17:05:03Z)
• NodeFormer: A Scalable Graph Structure Learning Transformer for Node Classification [70.51126383984555]
  本稿では,任意のノード間のノード信号を効率的に伝搬する全ペアメッセージパッシング方式を提案する。 効率的な計算は、カーナライズされたGumbel-Softmax演算子によって実現される。 グラフ上のノード分類を含む様々なタスクにおいて,本手法の有望な有効性を示す実験を行った。
  論文  参考訳（メタデータ） (2023-06-14T09:21:15Z)
• Learnable Graph Matching: A Practical Paradigm for Data Association [74.28753343714858]
  これらの問題に対処するための一般的な学習可能なグラフマッチング法を提案する。 提案手法は,複数のMOTデータセット上での最先端性能を実現する。 画像マッチングでは,一般的な屋内データセットであるScanNetで最先端の手法より優れている。
  論文  参考訳（メタデータ） (2023-03-27T17:39:00Z)
• Stars: Tera-Scale Graph Building for Clustering and Graph Learning [14.265732346610534]
  $textitStars$は、2ホップスパンナーを介して非常にスパースなグラフを構築するための非常にスケーラブルな方法です。 私たちはスターズがほぼ直線時間でグラフを構築することを実証した。
  論文  参考訳（メタデータ） (2022-12-05T22:43:26Z)
• Synthetic Graph Generation to Benchmark Graph Learning [7.914804101579097]
  グラフ学習アルゴリズムは多くのグラフ解析タスクで最先端のパフォーマンスを達成した。 1つの理由は、グラフ学習アルゴリズムのパフォーマンスをベンチマークするために実際に使用されるデータセットが極めて少ないためである。 本稿では,合成グラフの生成と,制御シナリオにおけるグラフ学習アルゴリズムの挙動について検討する。
  論文  参考訳（メタデータ） (2022-04-04T10:48:32Z)
• Neighbor2Seq: Deep Learning on Massive Graphs by Transforming Neighbors to Sequences [55.329402218608365]
  本研究では,各ノードの階層的近傍をシーケンスに変換するためにNeighbor2Seqを提案する。 1100万以上のノードと160億のエッジを持つ大規模グラフ上で,本手法の評価を行った。 その結果,提案手法は大規模グラフに対してスケーラブルであり,大規模グラフと中規模グラフにまたがる優れた性能を実現する。
  論文  参考訳（メタデータ） (2022-02-07T16:38:36Z)
• Learnable Graph Matching: Incorporating Graph Partitioning with Deep Feature Learning for Multiple Object Tracking [58.30147362745852]
  フレーム間のデータアソシエーションは、Multiple Object Tracking(MOT)タスクの中核にある。 既存の手法は、主にトラックレットとフレーム内検出の間のコンテキスト情報を無視する。 そこで本研究では,学習可能なグラフマッチング手法を提案する。
  論文  参考訳（メタデータ） (2021-03-30T08:58:45Z)
• Graph Coarsening with Neural Networks [8.407217618651536]
  本稿では、粗いアルゴリズムの品質を測定するためのフレームワークを提案し、目標に応じて、粗いグラフ上のLaplace演算子を慎重に選択する必要があることを示す。 粗いグラフに対する現在のエッジウェイト選択が準最適である可能性が示唆され、グラフニューラルネットワークを用いて重み付けマップをパラメータ化し、教師なし方法で粗い品質を改善するよう訓練する。
  論文  参考訳（メタデータ） (2021-02-02T06:50:07Z)
• About Graph Degeneracy, Representation Learning and Scalability [2.029783382155471]
  ウォークベースグラフ表現学習アルゴリズムの時間とメモリ消費を削減するために,Kコア分解を利用した2つの手法を提案する。 提案手法の有効性を,いくつかの学術的データセットを用いて評価した。
  論文  参考訳（メタデータ） (2020-09-04T09:39:43Z)

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。