論文の概要: Topology-Aware Graph Pooling Networks
- arxiv url: http://arxiv.org/abs/2010.09834v1
- Date: Mon, 19 Oct 2020 20:14:30 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-05 23:19:32.307169
- Title: Topology-Aware Graph Pooling Networks
- Title(参考訳): トポロジー対応グラフプーリングネットワーク
- Authors: Hongyang Gao, Yi Liu, and Shuiwang Ji
- Abstract要約: ポーリング操作はコンピュータビジョンや自然言語処理タスクに有効である。
グラフデータ上でプーリング操作を実行する上での課題のひとつは、グラフ上で明確に定義されていない局所性の欠如である。
本稿では,グラフトポロジを明示的に考慮したトポロジ対応プーリング(TAP)層を提案する。
- 参考スコア(独自算出の注目度): 51.9008939769679
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Pooling operations have shown to be effective on computer vision and natural
language processing tasks. One challenge of performing pooling operations on
graph data is the lack of locality that is not well-defined on graphs. Previous
studies used global ranking methods to sample some of the important nodes, but
most of them are not able to incorporate graph topology. In this work, we
propose the topology-aware pooling (TAP) layer that explicitly considers graph
topology. Our TAP layer is a two-stage voting process that selects more
important nodes in a graph. It first performs local voting to generate scores
for each node by attending each node to its neighboring nodes. The scores are
generated locally such that topology information is explicitly considered. In
addition, graph topology is incorporated in global voting to compute the
importance score of each node globally in the entire graph. Altogether, the
final ranking score for each node is computed by combining its local and global
voting scores. To encourage better graph connectivity in the sampled graph, we
propose to add a graph connectivity term to the computation of ranking scores.
Results on graph classification tasks demonstrate that our methods achieve
consistently better performance than previous methods.
- Abstract(参考訳): プーリング操作は、コンピュータビジョンや自然言語処理タスクに有効であることが示されている。
グラフデータでプーリング操作を実行する際の課題のひとつは、グラフ上で明確に定義されていない局所性の欠如である。
以前の研究では、グローバルランキング法を使って重要なノードのいくつかをサンプリングしていたが、ほとんどのノードはグラフトポロジーを組み込むことができない。
本研究では,グラフトポロジを明示的に考慮したトポロジ対応プーリング(TAP)層を提案する。
我々のTAP層は2段階の投票プロセスであり、グラフ内のより重要なノードを選択する。
まずローカル投票を行い、隣接するノードに各ノードが参加することで各ノードのスコアを生成する。
スコアは局所的に生成され、トポロジー情報が明示的に考慮される。
さらに、グラフトポロジーはグローバル投票に組み込まれ、グラフ全体における各ノードの重要性スコアを計算する。
また、各ノードの最終的なランキングスコアは、そのローカルとグローバルの投票スコアを組み合わせて計算される。
グラフのグラフ接続性を向上させるために,評価スコアの計算にグラフ接続性という用語を追加することを提案する。
グラフ分類タスクの結果から,本手法は従来手法よりも一貫した性能が得られることが示された。
関連論文リスト
- Saliency-Aware Regularized Graph Neural Network [39.82009838086267]
グラフ分類のためのSAR-GNN(Saliency-Aware Regularized Graph Neural Network)を提案する。
まず,コンパクトなグラフ表現とノード特徴とのセマンティックな類似性を測定することで,グローバルノードの正当性を推定する。
そして、学習した塩分濃度分布を利用して、背骨の近傍集合を規則化する。
論文 参考訳(メタデータ) (2024-01-01T13:44:16Z) - Careful Selection and Thoughtful Discarding: Graph Explicit Pooling
Utilizing Discarded Nodes [53.08068729187698]
本稿では,ノードと最終表現ベクトルの関係を明示的に活用してノードを選択するグラフ明示プール法を提案する。
提案手法の有効性を検証するため,12種類の広く使用されているデータセットを対象とした総合的な実験を行った。
論文 参考訳(メタデータ) (2023-11-21T14:44:51Z) - MPool: Motif-Based Graph Pooling [0.0]
グラフニューラルネットワーク(GNN)は近年,グラフ分類を含む多くのグラフ関連タスクにおいて,強力な技術となっている。
マルチチャネルモチーフに基づくグラフポーリング手法(MPool)を提案する。
第1のチャネルとして、ノードのモチーフ隣接性を考慮したノードランキングモデルを設計し、ノード選択に基づくグラフプーリングを開発する。
第2のチャネルとして、モチーフアジャシエンスを用いたスペクトルクラスタリングモデルを設計し、クラスタベースのグラフプーリングを開発する。
最終層として、各チャネルの結果を最終グラフ表現に集約する。
論文 参考訳(メタデータ) (2023-03-07T05:21:15Z) - Semi-Supervised Hierarchical Graph Classification [54.25165160435073]
ノードがグラフのインスタンスである階層グラフにおけるノード分類問題について検討する。
本稿では階層グラフ相互情報(HGMI)を提案し,理論的保証をもってHGMIを計算する方法を提案する。
本稿では,この階層グラフモデリングとSEAL-CI法がテキストおよびソーシャルネットワークデータに与える影響を実証する。
論文 参考訳(メタデータ) (2022-06-11T04:05:29Z) - Edge but not Least: Cross-View Graph Pooling [76.71497833616024]
本稿では,重要なグラフ構造情報を活用するために,クロスビューグラフプーリング(Co-Pooling)手法を提案する。
クロスビュー相互作用、エッジビュープーリング、ノードビュープーリングにより、相互にシームレスに強化され、より情報的なグラフレベルの表現が学習される。
論文 参考訳(メタデータ) (2021-09-24T08:01:23Z) - Accurate Learning of Graph Representations with Graph Multiset Pooling [45.72542969364438]
本稿では,その構造的依存関係に応じてノード間の相互作用をキャプチャするグラフマルチセットトランス (GMT) を提案する。
実験の結果,GMTはグラフ分類ベンチマークにおいて,最先端のグラフプーリング法を著しく上回っていることがわかった。
論文 参考訳(メタデータ) (2021-02-23T07:45:58Z) - Robust Hierarchical Graph Classification with Subgraph Attention [18.7475578342125]
本稿では,グラフに対するサブグラフアテンションの概念を紹介する。
本稿では,SubGattPoolというグラフ分類アルゴリズムを提案する。
SubGattPoolは、最先端のグラフ分類データセットを改善することができるか、あるいは、複数の公開グラフ分類データセットで競争力を維持することができることを示す。
論文 参考訳(メタデータ) (2020-07-19T10:03:06Z) - Multilevel Graph Matching Networks for Deep Graph Similarity Learning [79.3213351477689]
グラフ構造オブジェクト間のグラフ類似性を計算するためのマルチレベルグラフマッチングネットワーク(MGMN)フレームワークを提案する。
標準ベンチマークデータセットの欠如を補うため、グラフグラフ分類とグラフグラフ回帰タスクの両方のためのデータセットセットを作成し、収集した。
総合的な実験により、MGMNはグラフグラフ分類とグラフグラフ回帰タスクの両方において、最先端のベースラインモデルより一貫して優れていることが示された。
論文 参考訳(メタデータ) (2020-07-08T19:48:19Z) - Graph Pooling with Node Proximity for Hierarchical Representation
Learning [80.62181998314547]
本稿では,ノード近接を利用したグラフプーリング手法を提案し,そのマルチホップトポロジを用いたグラフデータの階層的表現学習を改善する。
その結果,提案したグラフプーリング戦略は,公開グラフ分類ベンチマークデータセットの集合において,最先端のパフォーマンスを達成できることが示唆された。
論文 参考訳(メタデータ) (2020-06-19T13:09:44Z)
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。