論文の概要: Directed hypergraph neural network

• arxiv url: http://arxiv.org/abs/2008.03626v3
• Date: Sat, 3 Sep 2022 10:08:58 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-01 04:07:13.826057
• Title: Directed hypergraph neural network
• Title（参考訳）: 有向ハイパーグラフニューラルネットワーク
• Authors: Loc Hoang Tran, Linh Hoang Tran
• Abstract要約: 本稿では,指向性ハイパーグラフのための新しいニューラルネットワーク手法を提案する。 実験で使用される2つのデータセットは、coraとciteseerデータセットである。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: To deal with irregular data structure, graph convolution neural networks have been developed by a lot of data scientists. However, data scientists just have concentrated primarily on developing deep neural network method for un-directed graph. In this paper, we will present the novel neural network method for directed hypergraph. In the other words, we will develop not only the novel directed hypergraph neural network method but also the novel directed hypergraph based semi-supervised learning method. These methods are employed to solve the node classification task. The two datasets that are used in the experiments are the cora and the citeseer datasets. Among the classic directed graph based semi-supervised learning method, the novel directed hypergraph based semi-supervised learning method, the novel directed hypergraph neural network method that are utilized to solve this node classification task, we recognize that the novel directed hypergraph neural network achieves the highest accuracies.
• Abstract（参考訳）: 不規則なデータ構造を扱うために、多くのデータ科学者によってグラフ畳み込みニューラルネットワークが開発された。 しかし、データサイエンティストは、主に非方向グラフのためのディープニューラルネットワーク手法の開発に集中している。 本稿では,有向ハイパーグラフのための新しいニューラルネットワーク手法を提案する。 言い換えれば、新しい指向型ハイパーグラフニューラルネットワーク法だけでなく、新しい指向型ハイパーグラフに基づく半教師付き学習法を開発する。 これらの手法はノード分類タスクを解決するために用いられる。 実験で使用される2つのデータセットは、coraとciteseerデータセットである。 従来の有向グラフに基づく半有向学習法のうち,新しい有向ハイパーグラフに基づく半有向学習法,このノード分類課題の解法として利用される新しい有向ハイパーグラフニューラルネットワーク法において,新しい有向ハイパーグラフニューラルネットワークが最も高い精度を達成することを認識した。

関連論文リスト

• Graph Neural Networks for Learning Equivariant Representations of Neural Networks [55.04145324152541]
  本稿では,ニューラルネットワークをパラメータの計算グラフとして表現することを提案する。 我々のアプローチは、ニューラルネットワークグラフを多種多様なアーキテクチャでエンコードする単一モデルを可能にする。 本稿では,暗黙的ニューラル表現の分類や編集など,幅広いタスクにおける本手法の有効性を示す。
  論文  参考訳（メタデータ） (2024-03-18T18:01:01Z)
• 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)
• Prototype-Enhanced Hypergraph Learning for Heterogeneous Information Networks [22.564818600608838]
  異種情報ネットワークにおけるノード分類のためのプロトタイプ強化ハイパーグラフ学習手法を提案する。 提案手法はノード間の高次関係を捕捉し,メタパスに依存することなく意味情報を抽出する。
  論文  参考訳（メタデータ） (2023-09-22T09:51:15Z)
• A Survey on Graph Classification and Link Prediction based on GNN [11.614366568937761]
  本稿では,グラフ畳み込みニューラルネットワークの世界について述べる。 グラフ畳み込みニューラルネットワークの基礎を詳述する。 注意機構とオートエンコーダに基づいて、グラフニューラルネットワークモデルを解明する。
  論文  参考訳（メタデータ） (2023-07-03T09:08:01Z)
• From Hypergraph Energy Functions to Hypergraph Neural Networks [94.88564151540459]
  パラメータ化されたハイパーグラフ正規化エネルギー関数の表現型族を示す。 次に、これらのエネルギーの最小化がノード埋め込みとして効果的に機能することを実証する。 提案した双レベルハイパーグラフ最適化と既存のGNNアーキテクチャを共通的に用いている。
  論文  参考訳（メタデータ） (2023-06-16T04:40:59Z)
• 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)
• Noise-robust classification with hypergraph neural network [4.003697389752555]
  本稿では,ハイパーグラフニューラルネットワーク手法の新たなバージョンを提案する。 これら5つの手法の精度を評価し,比較した。 実験結果から, ハイパグラフニューラルネットワーク法は, ノイズレベルが大きくなると最高の性能が得られることがわかった。
  論文  参考訳（メタデータ） (2021-02-03T08:34:53Z)
• Deep Hypergraph U-Net for Brain Graph Embedding and Classification [0.0]
  ネットワーク神経科学は、ネットワーク(またはコネクトーム)で表されるシステムとして脳を調べる データサンプルの低次元埋め込みを学習するためにハイパーグラフ構造を利用した新しいデータ埋め込みフレームワークHypergraph U-Netを提案する。 自閉症および認知症患者の形態的・機能的脳ネットワークを含む,小規模・大規模異種脳コネクトームデータセットについて検討した。
  論文  参考訳（メタデータ） (2020-08-30T08:15:18Z)
• 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)
• Graph Structure of Neural Networks [104.33754950606298]
  ニューラルネットワークのグラフ構造が予測性能にどのように影響するかを示す。 リレーショナルグラフの"スイートスポット"は、予測性能を大幅に改善したニューラルネットワークにつながる。 トップパフォーマンスニューラルネットワークは、実際の生物学的ニューラルネットワークと驚くほどよく似たグラフ構造を持つ。
  論文  参考訳（メタデータ） (2020-07-13T17:59:31Z)
• Hcore-Init: Neural Network Initialization based on Graph Degeneracy [22.923756039561194]
  ディープラーニングアーキテクチャから抽出した全重み付きマルチパートグラフに対して,kコア構造の適応版を提案する。 多部グラフは双部グラフの組合せであり、ハイパーグラフの入射グラフであるので、k-ハイパーコア分解を設計する。
  論文  参考訳（メタデータ） (2020-04-16T12:57:14Z)

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。