論文の概要: Graph Information Bottleneck for Subgraph Recognition

• arxiv url: http://arxiv.org/abs/2010.05563v1
• Date: Mon, 12 Oct 2020 09:32:20 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-08 06:05:44.546462
• Title: Graph Information Bottleneck for Subgraph Recognition
• Title（参考訳）: グラフ情報を用いたサブグラフ認識
• Authors: Junchi Yu, Tingyang Xu, Yu Rong, Yatao Bian, Junzhou Huang, Ran He
• Abstract要約: 本稿では,深層グラフ学習における部分グラフ認識問題に対するグラフ情報ブートネック(GIB)の枠組みを提案する。 この枠組みの下では、最大情報でありながら圧縮的な部分グラフ(IB-subgraph)を認識できる。 IB-サブグラフの特性を3つのアプリケーションシナリオで評価する。
• 参考スコア（独自算出の注目度）: 103.37499715761784
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Given the input graph and its label/property, several key problems of graph learning, such as finding interpretable subgraphs, graph denoising and graph compression, can be attributed to the fundamental problem of recognizing a subgraph of the original one. This subgraph shall be as informative as possible, yet contains less redundant and noisy structure. This problem setting is closely related to the well-known information bottleneck (IB) principle, which, however, has less been studied for the irregular graph data and graph neural networks (GNNs). In this paper, we propose a framework of Graph Information Bottleneck (GIB) for the subgraph recognition problem in deep graph learning. Under this framework, one can recognize the maximally informative yet compressive subgraph, named IB-subgraph. However, the GIB objective is notoriously hard to optimize, mostly due to the intractability of the mutual information of irregular graph data and the unstable optimization process. In order to tackle these challenges, we propose: i) a GIB objective based-on a mutual information estimator for the irregular graph data; ii) a bi-level optimization scheme to maximize the GIB objective; iii) a connectivity loss to stabilize the optimization process. We evaluate the properties of the IB-subgraph in three application scenarios: improvement of graph classification, graph interpretation and graph denoising. Extensive experiments demonstrate that the information-theoretic IB-subgraph enjoys superior graph properties.
• Abstract（参考訳）: 入力グラフとそのラベル/プロパティを考えると、解釈可能な部分グラフの発見、グラフの復号化、グラフの圧縮といったグラフ学習のいくつかの重要な問題は、元の部分グラフを認識するという根本的な問題に起因する。 このサブグラフは可能な限り情報的だが、冗長で騒がしい構造を含まない。 この問題は、不規則なグラフデータやグラフニューラルネットワーク(GNN)では研究されていない、よく知られた情報ボトルネック(IB)原理と密接に関連している。 本稿では,深層グラフ学習における部分グラフ認識問題に対するグラフ情報ブートネック(GIB)の枠組みを提案する。 この枠組みの下では、最大情報でありながら圧縮的な部分グラフ(IB-subgraph)を認識できる。 しかし、gibの目標は、不規則なグラフデータの相互情報や不安定な最適化プロセスが難解なため、最適化が難しいことで悪名高い。 これらの課題に取り組むために、我々は 一 不規則グラフデータの相互情報推定装置に基づくGIB目標 二 gibの目的を最大化するための二段階最適化スキーム 三 最適化過程の安定化のための接続損失 本稿では, ib-subgraphの特性を, グラフ分類, グラフ解釈, グラフ分割の3つの応用シナリオで評価する。 広汎な実験により、情報理論のIB-グラフは優れたグラフ特性を持つことが示された。

関連論文リスト

• The Graph Lottery Ticket Hypothesis: Finding Sparse, Informative Graph Structure [18.00833762891405]
  Graph Lottery Ticket (GLT)仮説: グラフごとに非常に疎いバックボーンが存在する。 本研究は,グラフ学習アルゴリズムの性能に直接影響を及ぼす関心の指標を8つ研究する。 任意のグラフでこれらのGLTを見つけるための単純で効率的なアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-12-08T00:24:44Z)
• Towards Self-Interpretable Graph-Level Anomaly Detection [73.1152604947837]
  グラフレベルの異常検出(GLAD)は、コレクションの大多数と比べて顕著な相違を示すグラフを識別することを目的としている。 本稿では,異常なグラフを検出し,同時に情報的説明を生成する自己解釈グラフaNomaly dETectionモデル(SIGNET)を提案する。
  論文  参考訳（メタデータ） (2023-10-25T10:10:07Z)
• Position-Aware Subgraph Neural Networks with Data-Efficient Learning [15.58680146160525]
  PADELと呼ばれるサブグラフニューラルネットワークのための位置認識型データ効率学習フレームワークを提案する。 具体的には、アンカーフリーな新しいノード位置符号化法を提案し、拡散変動部分グラフオートエンコーダに基づく新しい生成部分グラフ拡張法を設計する。
  論文  参考訳（メタデータ） (2022-11-01T16:34:42Z)
• Improving Subgraph Recognition with Variational Graph Information Bottleneck [62.69606854404757]
  部分グラフ認識は、グラフ特性に最も有益であるグラフの圧縮された部分構造を発見することを目的としている。 本稿では,サブグラフ内の情報を圧縮するためのノイズ注入手法を提案する。
  論文  参考訳（メタデータ） (2021-12-18T10:51:13Z)
• Graph Structure Learning with Variational Information Bottleneck [70.62851953251253]
  本稿では,新しい変分情報ボトルネックガイド付きグラフ構造学習フレームワーク,すなわちVIB-GSLを提案する。 VIB-GSLは情報的かつ圧縮的なグラフ構造を学習し、特定の下流タスクに対して実行可能な情報を蒸留する。
  論文  参考訳（メタデータ） (2021-12-16T14:22:13Z)
• 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)
• Recognizing Predictive Substructures with Subgraph Information Bottleneck [97.19131149357234]
  IB-subgraph というサブグラフを認識するための新しいサブグラフ情報ボトルネック(SIB)フレームワークを提案する。 相互情報の抽出性とグラフデータの離散的性質は、SIBの目的を最適化することが難しいことで知られている。 グラフ学習と大規模ポイントクラウドタスクの実験は、ib-subgraphの優れた特性を示している。
  論文  参考訳（メタデータ） (2021-03-20T11:19:43Z)

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。