論文の概要: Dirichlet Graph Variational Autoencoder
- arxiv url: http://arxiv.org/abs/2010.04408v2
- Date: Wed, 18 Nov 2020 12:14:22 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-09 05:57:50.178519
- Title: Dirichlet Graph Variational Autoencoder
- Title(参考訳): ディリクレグラフ変分オートエンコーダ
- Authors: Jia Li, Tomasyu Yu, Jiajin Li, Honglei Zhang, Kangfei Zhao, YU Rong,
Hong Cheng, Junzhou Huang
- Abstract要約: 本稿では,グラフクラスタメンバシップを潜在因子とするDGVAE(Dirichlet Graph Variational Autoencoder)を提案する。
バランスグラフカットにおける低パス特性により、入力グラフをクラスタメンバシップにエンコードする、Heattsと呼ばれるGNNの新しい変種を提案する。
- 参考スコア(独自算出の注目度): 65.94744123832338
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Graph Neural Networks (GNNs) and Variational Autoencoders (VAEs) have been
widely used in modeling and generating graphs with latent factors. However,
there is no clear explanation of what these latent factors are and why they
perform well. In this work, we present Dirichlet Graph Variational Autoencoder
(DGVAE) with graph cluster memberships as latent factors. Our study connects
VAEs based graph generation and balanced graph cut, and provides a new way to
understand and improve the internal mechanism of VAEs based graph generation.
Specifically, we first interpret the reconstruction term of DGVAE as balanced
graph cut in a principled way. Furthermore, motivated by the low pass
characteristics in balanced graph cut, we propose a new variant of GNN named
Heatts to encode the input graph into cluster memberships. Heatts utilizes the
Taylor series for fast computation of heat kernels and has better low pass
characteristics than Graph Convolutional Networks (GCN). Through experiments on
graph generation and graph clustering, we demonstrate the effectiveness of our
proposed framework.
- Abstract(参考訳): グラフニューラルネットワーク(GNN)と変分オートエンコーダ(VAE)は、潜在因子を持つグラフのモデリングや生成に広く利用されている。
しかし、これらの潜在的な要因が何で、なぜうまく機能するのか、明確な説明はない。
本稿では,グラフクラスタメンバシップを潜在因子とするDGVAE(Dirichlet Graph Variational Autoencoder)を提案する。
本研究では,VAEに基づくグラフ生成とバランスの取れたグラフカットを結合し,VAEに基づくグラフ生成の内部メカニズムの理解と改善を行う。
具体的には,まず,dgvaeの再構成用語を原則的にバランスのとれたグラフカットとして解釈する。
さらに、バランスグラフカットにおける低パス特性を動機として、入力グラフをクラスタメンバシップにエンコードする、Heattsと呼ばれるGNNの新しい変種を提案する。
ヒートツはテイラー級数を用いて熱カーネルを高速に計算し、グラフ畳み込みネットワーク(GCN)よりも低いパス特性を持つ。
グラフ生成とグラフクラスタリングの実験を通じて,提案フレームワークの有効性を実証する。
関連論文リスト
- Theoretical Insights into Line Graph Transformation on Graph Learning [3.0574700762497744]
線グラフ変換はグラフ理論において広く研究されており、線グラフの各ノードは元のグラフのエッジに対応する。
これは、変換された線グラフに適用された一連のグラフニューラルネットワーク(GNN)にインスピレーションを与え、様々なグラフ表現学習タスクに有効であることが証明された。
本研究では,Weisfeiler-Leman (WL) テストに挑戦することが知られている2種類のグラフ,Cai-F"urer-Immerman (CFI) グラフと強い正則グラフに着目した。
論文 参考訳(メタデータ) (2024-10-21T16:04:50Z) - Greener GRASS: Enhancing GNNs with Encoding, Rewiring, and Attention [12.409982249220812]
本稿では,新しいGNNアーキテクチャであるGraph Attention with Structures (GRASS)を紹介する。
GRASSはランダムな正規グラフを重畳して入力グラフをリワイヤし、長距離情報伝搬を実現する。
また、グラフ構造化データに適した新しい付加的注意機構も採用している。
論文 参考訳(メタデータ) (2024-07-08T06:21:56Z) - Neural Graph Generator: Feature-Conditioned Graph Generation using Latent Diffusion Models [22.794561387716502]
グラフ生成に条件付き潜在拡散モデルを利用する新しい手法であるニューラルグラフ生成器(NGG)を導入する。
NGGは複雑なグラフパターンをモデル化し、グラフ生成プロセスの制御を提供する。
論文 参考訳(メタデータ) (2024-03-03T15:28:47Z) - Variational Graph Generator for Multi-View Graph Clustering [51.89092260088973]
マルチビューグラフクラスタリング(VGMGC)のための変分グラフ生成器を提案する。
この生成器は、複数のグラフに対する事前仮定に基づいて、信頼性のある変分コンセンサスグラフを推論する。
推論されたビュー共通グラフとビュー固有のグラフを機能と一緒に埋め込む。
論文 参考訳(メタデータ) (2022-10-13T13:19:51Z) - Learning Graph Structure from Convolutional Mixtures [119.45320143101381]
本稿では、観測されたグラフと潜伏グラフのグラフ畳み込み関係を提案し、グラフ学習タスクをネットワーク逆(デコンボリューション)問題として定式化する。
固有分解に基づくスペクトル法の代わりに、近似勾配反復をアンロール・トランケートして、グラフデコンボリューションネットワーク(GDN)と呼ばれるパラメータ化ニューラルネットワークアーキテクチャに到達させる。
GDNは、教師付き方式でグラフの分布を学習し、損失関数を適応させることでリンク予測やエッジウェイト回帰タスクを実行し、本質的に帰納的である。
論文 参考訳(メタデータ) (2022-05-19T14:08:15Z) - Graph Kernel Neural Networks [53.91024360329517]
本稿では、グラフ上の内部積を計算するカーネル関数であるグラフカーネルを用いて、標準畳み込み演算子をグラフ領域に拡張することを提案する。
これにより、入力グラフの埋め込みを計算する必要のない完全に構造的なモデルを定義することができる。
私たちのアーキテクチャでは,任意の種類のグラフカーネルをプラグインすることが可能です。
論文 参考訳(メタデータ) (2021-12-14T14:48:08Z) - CCGG: A Deep Autoregressive Model for Class-Conditional Graph Generation [7.37333913697359]
所望の機能を持つグラフを生成するために,クラス条件付きグラフ生成器(CCGG)を導入する。
CCGGは、様々なデータセット上で既存の条件付きグラフ生成方法より優れている。
また、分散ベースの評価指標の観点から、生成したグラフの品質も維持する。
論文 参考訳(メタデータ) (2021-10-07T21:24:07Z) - Learning Graphon Autoencoders for Generative Graph Modeling [91.32624399902755]
Graphonは任意のサイズでグラフを生成する非パラメトリックモデルであり、グラフから簡単に誘導できる。
解析可能でスケーラブルなグラフ生成モデルを構築するために,textitgraphon autoencoder という新しいフレームワークを提案する。
線形グルーポン分解モデルはデコーダとして機能し、潜在表現を活用して誘導されたグルーポンを再構成する。
論文 参考訳(メタデータ) (2021-05-29T08:11:40Z) - GraphSVX: Shapley Value Explanations for Graph Neural Networks [81.83769974301995]
グラフニューラルネットワーク(GNN)は、幾何データに基づく様々な学習タスクにおいて大きな性能を発揮する。
本稿では,既存のGNN解説者の多くが満足する統一フレームワークを提案する。
GNN用に特別に設計されたポストホックローカルモデル非依存説明法であるGraphSVXを紹介します。
論文 参考訳(メタデータ) (2021-04-18T10:40:37Z) - Graph Deconvolutional Generation [3.5138314002170192]
我々は、Erdos-Renyiランダムグラフモデルの現代の等価性、すなわちグラフ変分オートエンコーダ(GVAE)に焦点を当てる。
GVAEは、トレーニング分布のマッチングが困難であり、高価なグラフマッチング手順に依存している。
我々は、GVAEのエンコーダとデコーダにメッセージパッシングニューラルネットワークを構築することにより、このモデルのクラスを改善した。
論文 参考訳(メタデータ) (2020-02-14T04:37:14Z)
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。