論文の概要: Multi-view adaptive graph convolutions for graph classification

• arxiv url: http://arxiv.org/abs/2007.12450v1
• Date: Fri, 24 Jul 2020 11:14:24 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-07 06:14:07.228163
• Title: Multi-view adaptive graph convolutions for graph classification
• Title（参考訳）: グラフ分類のための多視点適応グラフ畳み込み
• Authors: Nikolas Adaloglou, Nicholas Vretos and Petros Daras
• Abstract要約: グラフベースニューラルネットワークのための新しいマルチビュー手法を提案する。 レイヤは、グラフ分類のためのエンドツーエンドのグラフニューラルネットワークアーキテクチャで使用される。
• 参考スコア（独自算出の注目度）: 20.10169385129154
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this paper, a novel multi-view methodology for graph-based neural networks is proposed. A systematic and methodological adaptation of the key concepts of classical deep learning methods such as convolution, pooling and multi-view architectures is developed for the context of non-Euclidean manifolds. The aim of the proposed work is to present a novel multi-view graph convolution layer, as well as a new view pooling layer making use of: a) a new hybrid Laplacian that is adjusted based on feature distance metric learning, b) multiple trainable representations of a feature matrix of a graph, using trainable distance matrices, adapting the notion of views to graphs and c) a multi-view graph aggregation scheme called graph view pooling, in order to synthesise information from the multiple generated views. The aforementioned layers are used in an end-to-end graph neural network architecture for graph classification and show competitive results to other state-of-the-art methods.
• Abstract（参考訳）: 本稿では,グラフ型ニューラルネットワークのための新しいマルチビュー手法を提案する。 非ユークリッド多様体の文脈において、畳み込み、プーリング、マルチビューアーキテクチャといった古典的深層学習法の重要な概念の体系的および方法論的適応が開発された。 提案する研究の目的は,新しいマルチビューグラフ畳み込みレイヤと,次のような新しいビュープーリングレイヤを提供することである。 a) 特徴距離メートル法学習に基づいて調整される新しいハイブリッドラプラシアン ロ グラフの特徴行列の複数の訓練可能な表現であって、訓練可能な距離行列を用いて、グラフに対するビューの概念を適用すること。 c) 複数の生成されたビューから情報を合成するために、グラフビュープールと呼ばれる多視点グラフ集約スキーム。 上記の層は、グラフ分類のためのエンドツーエンドのグラフニューラルネットワークアーキテクチャで使われ、他の最先端の手法と競合する結果を示す。

関連論文リスト

• Graph Transformer GANs with Graph Masked Modeling for Architectural Layout Generation [153.92387500677023]
  本稿では,グラフノード関係を効果的に学習するために,GTGAN(Graph Transformer Generative Adversarial Network)を提案する。 提案したグラフ変換器エンコーダは、局所的およびグローバルな相互作用をモデル化するために、Transformer内のグラフ畳み込みと自己アテンションを組み合わせる。 また,グラフ表現学習のための自己指導型事前学習手法を提案する。
  論文  参考訳（メタデータ） (2024-01-15T14:36:38Z)
• Isomorphic-Consistent Variational Graph Auto-Encoders for Multi-Level Graph Representation Learning [9.039193854524763]
  本稿では,タスク非依存グラフ表現学習のためのアイソモルフィック-一貫性VGAE(IsoC-VGAE)を提案する。 まず、同型整合性を維持する理論的保証を提供するための復号法を考案する。 次に,逆グラフニューラルネットワーク(Inv-GNN)デコーダを直感的な実現法として提案する。
  論文  参考訳（メタデータ） (2023-12-09T10:16:53Z)
• 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)
• Multi-view graph structure learning using subspace merging on Grassmann manifold [4.039245878626346]
  MV-GSL(Multi-View Graph Structure Learning)と呼ばれる多視点学習を用いた新しいグラフ構造学習手法を提案する。 グラスマン多様体上の部分空間マージを用いた異なるグラフ構造学習法を集約し、学習したグラフ構造の品質を向上させる。 実験の結果,提案手法はグラフ構造学習法とグラフ構造学習法を併用した場合と比較して有望な性能を示した。
  論文  参考訳（メタデータ） (2022-04-11T17:01:05Z)
• Effective and Efficient Graph Learning for Multi-view Clustering [173.8313827799077]
  マルチビュークラスタリングのための効率的かつ効率的なグラフ学習モデルを提案する。 本手法はテンソルシャッテンp-ノルムの最小化により異なるビューのグラフ間のビュー類似性を利用する。 提案アルゴリズムは時間経済であり,安定した結果を得るとともに,データサイズによく対応している。
  論文  参考訳（メタデータ） (2021-08-15T13:14:28Z)
• Diversified Multiscale Graph Learning with Graph Self-Correction [55.43696999424127]
  2つのコア成分を組み込んだ多次元グラフ学習モデルを提案します。 情報埋め込みグラフを生成するグラフ自己補正(GSC)機構、および入力グラフの包括的な特性評価を達成するために多様性ブースト正規化(DBR)。 一般的なグラフ分類ベンチマークの実験は、提案されたGSCメカニズムが最先端のグラフプーリング方法よりも大幅に改善されることを示しています。
  論文  参考訳（メタデータ） (2021-03-17T16:22:24Z)
• Multiview Variational Graph Autoencoders for Canonical Correlation Analysis [23.30313704251483]
  本稿では,変分法に基づく新しい多視点標準相関解析モデルを提案する。 これは、利用可能なグラフベースの幾何学的制約を考慮に入れた最初の非線形モデルである。 複数のビューで大規模なデータセットを処理するにはスケーラブルである。
  論文  参考訳（メタデータ） (2020-10-30T09:08:05Z)
• Representation Learning of Graphs Using Graph Convolutional Multilayer Networks Based on Motifs [17.823543937167848]
  mGCMNはノードの特徴情報とグラフの高階局所構造を利用する新しいフレームワークである。 グラフニューラルネットワークの学習効率を大幅に改善し、新たな学習モードの確立を促進する。
  論文  参考訳（メタデータ） (2020-07-31T04:18:20Z)
• GCC: Graph Contrastive Coding for Graph Neural Network Pre-Training [62.73470368851127]
  グラフ表現学習は現実世界の問題に対処する強力な手法として登場した。 自己教師付きグラフニューラルネットワーク事前トレーニングフレームワークであるGraph Contrastive Codingを設計する。 3つのグラフ学習タスクと10のグラフデータセットについて実験を行った。
  論文  参考訳（メタデータ） (2020-06-17T16:18:35Z)
• Tensor Graph Convolutional Networks for Multi-relational and Robust Learning [74.05478502080658]
  本稿では,テンソルで表されるグラフの集合に関連するデータから,スケーラブルな半教師付き学習(SSL)を実現するためのテンソルグラフ畳み込みネットワーク(TGCN)を提案する。 提案アーキテクチャは、標準的なGCNと比較して大幅に性能が向上し、最先端の敵攻撃に対処し、タンパク質間相互作用ネットワーク上でのSSL性能が著しく向上する。
  論文  参考訳（メタデータ） (2020-03-15T02:33:21Z)

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。