論文の概要: CopulaGNN: Towards Integrating Representational and Correlational Roles
of Graphs in Graph Neural Networks
- arxiv url: http://arxiv.org/abs/2010.02089v2
- Date: Thu, 18 Mar 2021 21:54:58 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-10 20:46:26.096898
- Title: CopulaGNN: Towards Integrating Representational and Correlational Roles
of Graphs in Graph Neural Networks
- Title（参考訳）: copulagnn:グラフニューラルネットワークにおけるグラフの表現的および相関的役割の統合に向けて
- Authors: Jiaqi Ma, Bo Chang, Xuefei Zhang, Qiaozhu Mei
- Abstract要約: グラフニューラルネットワーク(GNN)モデルが両タイプの情報を効果的に活用する方法について検討する。
提案したCopula Graph Neural Network (CopulaGNN)は、幅広いGNNモデルをベースモデルとして扱うことができる。
- 参考スコア（独自算出の注目度）: 23.115288017590093
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Graph-structured data are ubiquitous. However, graphs encode diverse types of
information and thus play different roles in data representation. In this
paper, we distinguish the \textit{representational} and the
\textit{correlational} roles played by the graphs in node-level prediction
tasks, and we investigate how Graph Neural Network (GNN) models can effectively
leverage both types of information. Conceptually, the representational
information provides guidance for the model to construct better node features;
while the correlational information indicates the correlation between node
outcomes conditional on node features. Through a simulation study, we find that
many popular GNN models are incapable of effectively utilizing the
correlational information. By leveraging the idea of the copula, a principled
way to describe the dependence among multivariate random variables, we offer a
general solution. The proposed Copula Graph Neural Network (CopulaGNN) can take
a wide range of GNN models as base models and utilize both representational and
correlational information stored in the graphs. Experimental results on two
types of regression tasks verify the effectiveness of the proposed method.
- Abstract（参考訳）: グラフ構造化データはユビキタスである。
しかし、グラフは様々な種類の情報をエンコードし、データ表現において異なる役割を果たす。
本稿では、ノードレベルの予測タスクにおいて、グラフが果たす \textit{representational} と \textit{correlational} の役割を区別し、グラフニューラルネットワーク(gnn)モデルが両方の情報の有効利用について検討する。
概念的には、表現情報はより良いノード特徴を構築するためのモデルのためのガイダンスを提供するが、相関情報はノード特徴に条件づけられたノード結果間の相関を示す。
シミュレーション研究により,多くのGNNモデルは相関情報を効果的に活用できないことがわかった。
多変量確率変数間の依存を記述する原理的な方法であるコプラの概念を活用することにより、一般解を提供する。
提案したCopula Graph Neural Network (CopulaGNN)は、GNNモデルをベースモデルとして、グラフに格納された表現情報と相関情報の両方を利用することができる。
2種類の回帰課題に関する実験結果は,提案手法の有効性を検証した。
関連論文リスト
- 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) - GrannGAN: Graph annotation generative adversarial networks [72.66289932625742]
本稿では,高次元分布をモデル化し,グラフスケルトンと整合した複雑な関係特徴構造を持つデータの新しい例を生成することの問題点を考察する。
提案するモデルは,タスクを2つのフェーズに分割することで,各データポイントのグラフ構造に制約されたデータ特徴を生成する問題に対処する。
第一に、与えられたグラフのノードに関連する機能の分布をモデル化し、第二に、ノードのフィーチャに条件付きでエッジ機能を補完する。
論文 参考訳（メタデータ） (2022-12-01T11:49:07Z) - Relation Embedding based Graph Neural Networks for Handling
Heterogeneous Graph [58.99478502486377]
我々は、同種GNNが不均一グラフを扱うのに十分な能力を持つように、シンプルで効率的なフレームワークを提案する。
具体的には、エッジ型関係と自己ループ接続の重要性を埋め込むために、関係1つのパラメータのみを使用する関係埋め込みベースのグラフニューラルネットワーク(RE-GNN)を提案する。
論文 参考訳（メタデータ） (2022-09-23T05:24:18Z) - Discovering the Representation Bottleneck of Graph Neural Networks from
Multi-order Interactions [51.597480162777074]
グラフニューラルネットワーク(GNN)は、ノード機能を伝搬し、インタラクションを構築するためにメッセージパッシングパラダイムに依存している。
最近の研究は、異なるグラフ学習タスクはノード間の異なる範囲の相互作用を必要とすることを指摘している。
科学領域における2つの共通グラフ構築法、すなわち、emphK-nearest neighbor(KNN)グラフとemphfully-connected(FC)グラフについて検討する。
論文 参考訳（メタデータ） (2022-05-15T11:38:14Z) - Explicit Pairwise Factorized Graph Neural Network for Semi-Supervised
Node Classification [59.06717774425588]
本稿では,グラフ全体を部分的に観測されたマルコフ確率場としてモデル化するEPFGNN(Explicit Pairwise Factorized Graph Neural Network)を提案する。
出力-出力関係をモデル化するための明示的なペアワイズ要素を含み、入力-出力関係をモデル化するためにGNNバックボーンを使用する。
本研究では,グラフ上での半教師付きノード分類の性能を効果的に向上できることを示す。
論文 参考訳（メタデータ） (2021-07-27T19:47:53Z) - GAIN: Graph Attention & Interaction Network for Inductive
Semi-Supervised Learning over Large-scale Graphs [18.23435958000212]
グラフニューラルネットワーク(GNN)は、推薦、ノード分類、リンク予測など、さまざまな機械学習タスクにおいて最先端のパフォーマンスを実現している。
既存のGNNモデルの多くは、隣接するノード情報を集約するために単一のタイプのアグリゲータを利用している。
本稿では,グラフ上の帰納学習のための新しいグラフニューラルネットワークアーキテクチャであるグラフ注意と相互作用ネットワーク(GAIN)を提案する。
論文 参考訳（メタデータ） (2020-11-03T00:20:24Z) - A Unified View on Graph Neural Networks as Graph Signal Denoising [49.980783124401555]
グラフニューラルネットワーク(GNN)は,グラフ構造化データの学習表現において顕著に普及している。
本研究では,代表的GNNモデル群における集約過程を,グラフ記述問題の解法とみなすことができることを数学的に確立する。
UGNNから派生した新しいGNNモデルADA-UGNNをインスタンス化し、ノード間の適応的滑らかさでグラフを処理する。
論文 参考訳（メタデータ） (2020-10-05T04:57:18Z) - Multi-grained Semantics-aware Graph Neural Networks [13.720544777078642]
グラフニューラルネットワーク(GNN)は、グラフの表現学習において強力な技術である。
本研究では,ノードとグラフ表現を対話的に学習する統合モデルAdamGNNを提案する。
14の実世界のグラフデータセットに対する実験により、AdamGNNはノードとグラフの両方のタスクにおいて17の競合するモデルを大幅に上回っていることが示された。
論文 参考訳（メタデータ） (2020-10-01T07:52:06Z) - Explain Graph Neural Networks to Understand Weighted Graph Features in
Node Classification [15.41200827860072]
本稿では,情報成分と重要なノード特徴を特定するために,新しいグラフ特徴の説明手法を提案する。
提案手法は,人間の解釈によってノード分類に使用されるデータパターンを模倣できることを示す。
論文 参考訳（メタデータ） (2020-02-02T23:53:21Z)
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。