Fugu-MT 論文翻訳(概要): Representation Learning of Graphs Using Graph Convolutional Multilayer Networks Based on Motifs

論文の概要: Representation Learning of Graphs Using Graph Convolutional Multilayer Networks Based on Motifs

arxiv url: http://arxiv.org/abs/2007.15838v1
Date: Fri, 31 Jul 2020 04:18:20 GMT
ステータス: 処理完了
システム内更新日: 2022-11-04 07:14:51.860634
Title: Representation Learning of Graphs Using Graph Convolutional Multilayer Networks Based on Motifs
Title（参考訳）: モチーフに基づくグラフ畳み込み多層ネットワークを用いたグラフの表現学習
Authors: Xing Li, Wei Wei, Xiangnan Feng, Xue Liu, Zhiming Zheng
Abstract要約: 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。
参考スコア（独自算出の注目度）: 17.823543937167848
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The graph structure is a commonly used data storage mode, and it turns out that the low-dimensional embedded representation of nodes in the graph is extremely useful in various typical tasks, such as node classification, link prediction , etc. However, most of the existing approaches start from the binary relationship (i.e., edges) in the graph and have not leveraged the higher order local structure (i.e., motifs) of the graph. Here, we propose mGCMN -- a novel framework which utilizes node feature information and the higher order local structure of the graph to effectively generate node embeddings for previously unseen data. Through research we have found that different types of networks have different key motifs. And the advantages of our method over the baseline methods have been demonstrated in a large number of experiments on citation network and social network datasets. At the same time, a positive correlation between increase of the classification accuracy and the clustering coefficient is revealed. It is believed that using high order structural information can truly manifest the potential of the network, which will greatly improve the learning efficiency of the graph neural network and promote a brand-new learning mode establishment.
Abstract（参考訳）: グラフ構造は一般的に使用されるデータ記憶モードであり、グラフ内のノードの低次元埋め込み表現は、ノード分類、リンク予測など、様々な典型的なタスクで非常に有用であることが判明した。しかし、既存のアプローチのほとんどはグラフ内の二項関係(すなわちエッジ)から始まり、グラフの高階局所構造(すなわちモチーフ)を生かしていない。本稿では,ノードの特徴情報とグラフの高次局所構造を利用して,それまで認識されていなかったデータに対してノード埋め込みを効果的に生成する新しいフレームワークmgcmnを提案する。研究により、異なるタイプのネットワークには異なるキーモチーフがあることが判明した。また,提案手法のベースライン法に対する利点は,引用ネットワークとソーシャルネットワークのデータセットに関する数多くの実験で実証されている。同時に,分類精度の向上とクラスタリング係数との正の相関が明らかになった。高次構造情報を用いることで、グラフニューラルネットワークの学習効率を大幅に向上させ、新たな学習モードの確立を促進することができると考えられる。

関連論文リスト

Harnessing Collective Structure Knowledge in Data Augmentation for Graph Neural Networks [25.12261412297796]
グラフニューラルネットワーク(GNN)は,グラフ表現学習において最先端のパフォーマンスを達成した。我々は新しいアプローチ、すなわち集合構造知識強化グラフニューラルネットワーク(CoS-GNN)を提案する。
論文参考訳（メタデータ） (2024-05-17T08:50:00Z)
GTAGCN: Generalized Topology Adaptive Graph Convolutional Networks [5.166599023304314]
一般化集約ネットワークとトポロジ適応グラフ畳み込みネットワークという2つの確立された手法に基づくハイブリッドアプローチを導出する。結果は、文献の結果と同等であり、グラフ構造が探索されていないシーケンスデータとして手書きのストロークの方が優れている。
論文参考訳（メタデータ） (2024-03-22T10:02:13Z)
DGNN: Decoupled Graph Neural Networks with Structural Consistency between Attribute and Graph Embedding Representations [62.04558318166396]
グラフニューラルネットワーク(GNN)は、複雑な構造を持つグラフ上での表現学習の堅牢性を示す。ノードのより包括的な埋め込み表現を得るために、Decoupled Graph Neural Networks (DGNN)と呼ばれる新しいGNNフレームワークが導入された。複数のグラフベンチマークデータセットを用いて、ノード分類タスクにおけるDGNNの優位性を検証した。
論文参考訳（メタデータ） (2024-01-28T06:43:13Z)
GNN-LoFI: a Novel Graph Neural Network through Localized Feature-based Histogram Intersection [51.608147732998994]
グラフニューラルネットワークは、グラフベースの機械学習の選択フレームワークになりつつある。本稿では,古典的メッセージパッシングに代えて,ノード特徴の局所分布を解析するグラフニューラルネットワークアーキテクチャを提案する。
論文参考訳（メタデータ） (2024-01-17T13:04:23Z)
Supervised Contrastive Learning with Structure Inference for Graph Classification [5.276232626689567]
グラフ分類のための教師付きコントラスト学習と構造推論に基づくグラフニューラルネットワークを提案する。ラベル情報の統合により、1-vs-manyのコントラスト学習を多-vs-many設定に拡張することができる。実験の結果,最近の最先端手法と比較して提案手法の有効性が示された。
論文参考訳（メタデータ） (2022-03-15T07:18:46Z)
A Robust and Generalized Framework for Adversarial Graph Embedding [73.37228022428663]
本稿では,AGE という逆グラフ埋め込みのための頑健なフレームワークを提案する。 AGEは、暗黙の分布から強化された負のサンプルとして偽の隣接ノードを生成する。本フレームワークでは,3種類のグラフデータを扱う3つのモデルを提案する。
論文参考訳（メタデータ） (2021-05-22T07:05:48Z)
Representation Learning of Reconstructed Graphs Using Random Walk Graph Convolutional Network [12.008472517000651]
グラフのノード特異的なメソスコピック構造を得るためにランダムウォークを利用する新しいフレームワークであるwGCNを提案する。高次局所構造情報を組み合わせることで、ネットワークの可能性をより効率的に探究できると信じている。
論文参考訳（メタデータ） (2021-01-02T10:31:14Z)
Co-embedding of Nodes and Edges with Graph Neural Networks [13.020745622327894]
グラフ埋め込みは、高次元および非ユークリッド特徴空間でデータ構造を変換しエンコードする方法である。 CensNetは一般的なグラフ埋め込みフレームワークで、ノードとエッジの両方を潜在機能空間に埋め込む。提案手法は,4つのグラフ学習課題における最先端のパフォーマンスを達成または一致させる。
論文参考訳（メタデータ） (2020-10-25T22:39:31Z)
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)
Progressive Graph Convolutional Networks for Semi-Supervised Node Classification [97.14064057840089]
グラフ畳み込みネットワークは、半教師付きノード分類のようなグラフベースのタスクに対処することに成功した。本稿では,コンパクトかつタスク固有のグラフ畳み込みネットワークを自動構築する手法を提案する。
論文参考訳（メタデータ） (2020-03-27T08:32:16Z)
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。