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
- Neural Graph Generator: Feature-Conditioned Graph Generation using
Latent Diffusion Models [25.955288828517666]
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) - Uplifting the Expressive Power of Graph Neural Networks through Graph
Partitioning [3.236774847052122]
グラフ分割のレンズによるグラフニューラルネットワークの表現力について検討する。
我々は新しいGNNアーキテクチャ、すなわちグラフ分割ニューラルネットワーク(GPNN)を導入する。
論文 参考訳(メタデータ) (2023-12-14T06:08:35Z) - Efficient and Degree-Guided Graph Generation via Discrete Diffusion
Modeling [20.618785908770356]
拡散に基づく生成グラフモデルは高品質の小さなグラフを生成するのに有効であることが証明されている。
しかし、グラフ統計を推奨する何千ものノードを含む巨大なグラフを生成するには、よりスケーラブルである必要がある。
本稿では,大きなグラフを持つ生成タスクに対処する新しい拡散型生成グラフモデルであるEDGEを提案する。
論文 参考訳(メタデータ) (2023-05-06T18:32:27Z) - 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) - 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 Contrastive Learning with Augmentations [109.23158429991298]
グラフデータの教師なし表現を学習するためのグラフコントラスト学習(GraphCL)フレームワークを提案する。
我々のフレームワークは、最先端の手法と比較して、類似またはより良い一般化可能性、転送可能性、堅牢性のグラフ表現を作成できることを示す。
論文 参考訳(メタデータ) (2020-10-22T20:13:43Z) - Adaptive Graph Auto-Encoder for General Data Clustering [90.8576971748142]
グラフベースのクラスタリングは、クラスタリング領域において重要な役割を果たす。
グラフ畳み込みニューラルネットワークに関する最近の研究は、グラフ型データにおいて驚くべき成功を収めている。
本稿では,グラフの生成的視点に応じて適応的にグラフを構成する汎用データクラスタリングのためのグラフ自動エンコーダを提案する。
論文 参考訳(メタデータ) (2020-02-20T10:11:28Z) - 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。