論文の概要: Multi-Graph Tensor Networks
- arxiv url: http://arxiv.org/abs/2010.13209v4
- Date: Thu, 21 Jan 2021 10:04:25 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-03 04:59:01.668194
- Title: Multi-Graph Tensor Networks
- Title(参考訳): マルチグラフテンソルネットワーク
- Authors: Yao Lei Xu, Kriton Konstantinidis, Danilo P. Mandic
- Abstract要約: 本稿では,不規則なデータソースとテンソルネットワークの圧縮特性を深層学習環境で扱えるグラフを利用した新しいMulti-Graph Network(MGTN)フレームワークを提案する。
MGTNにより、FORTX通貨グラフを利用して、この要求されたタスクに経済的に意味のある構造を課し、結果として、3つの競合するモデルに対して非常に優れたパフォーマンスと、劇的に低い複雑性をもたらす。
- 参考スコア(独自算出の注目度): 23.030263841031633
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The irregular and multi-modal nature of numerous modern data sources poses
serious challenges for traditional deep learning algorithms. To this end,
recent efforts have generalized existing algorithms to irregular domains
through graphs, with the aim to gain additional insights from data through the
underlying graph topology. At the same time, tensor-based methods have
demonstrated promising results in bypassing the bottlenecks imposed by the
Curse of Dimensionality. In this paper, we introduce a novel Multi-Graph Tensor
Network (MGTN) framework, which exploits both the ability of graphs to handle
irregular data sources and the compression properties of tensor networks in a
deep learning setting. The potential of the proposed framework is demonstrated
through an MGTN based deep Q agent for Foreign Exchange (FOREX) algorithmic
trading. By virtue of the MGTN, a FOREX currency graph is leveraged to impose
an economically meaningful structure on this demanding task, resulting in a
highly superior performance against three competing models and at a drastically
lower complexity.
- Abstract(参考訳): 多数の現代のデータソースの不規則かつマルチモーダルな性質は、従来のディープラーニングアルゴリズムに深刻な課題をもたらす。
この目的のために、最近の取り組みは、グラフトポロジーを通してデータからさらなる洞察を得ることを目的として、グラフを通して既存のアルゴリズムを不規則なドメインに一般化した。
同時に、テンソルに基づく手法は、次元の呪いによって課されるボトルネックをバイパスする有望な結果を示している。
本稿では,不規則なデータソースを扱うグラフの能力と,ディープラーニング環境下でのテンソルネットワークの圧縮特性を両立させる,新しいMulti-Graph Tensor Network(MGTN)フレームワークを提案する。
MGTNをベースとしたFOREX(Deep Q Agent for Foreign Exchange)アルゴリズムにより,提案手法の可能性を示す。
mgtnの利点により、forexの通貨グラフを利用して、この要求するタスクに経済的に有意義な構造を課し、3つの競合するモデルに対して非常に優れたパフォーマンスをもたらし、複雑さを著しく低下させる。
関連論文リスト
- Tensor-view Topological Graph Neural Network [16.433092191206534]
グラフニューラルネットワーク(GNN)は最近、グラフ学習において注目を集めている。
既存のGNNは、各ノード周辺の非常に限られた地区からのローカル情報のみを使用する。
本稿では,単純かつ効果的な深層学習のクラスであるTopological Graph Neural Network (TTG-NN)を提案する。
実データ実験により,提案したTTG-NNは,グラフベンチマークにおいて20の最先端手法より優れていた。
論文 参考訳(メタデータ) (2024-01-22T14:55:01Z) - Network Alignment with Transferable Graph Autoencoders [87.28177782039265]
本稿では,強力で堅牢なノード埋め込みを抽出するグラフオートエンコーダアーキテクチャを提案する。
生成した埋め込みがグラフの固有値と固有ベクトルと結びついていることを証明する。
提案フレームワークは転送学習とデータ拡張を利用して,大規模なネットワークアライメントを実現する。
論文 参考訳(メタデータ) (2023-10-05T02:58:29Z) - A Model-Agnostic Graph Neural Network for Integrating Local and Global
Information [2.772447941143207]
グラフニューラルネットワーク(GNN)は、さまざまなグラフにフォーカスしたタスクにおいて、有望なパフォーマンスを実現している。
既存のGNNには、ブラックボックスの性質による結果の解釈可能性の欠如と、さまざまな順序の表現を学べないという2つの大きな制限がある。
本稿では,様々な順序の情報を逐次統合し,高次隣人から知識を抽出し,影響力のあるコンパクトグラフ構造を同定して有意義かつ解釈可能な結果を提供する,モデル非依存型グラフニューラルネットワーク(MaGNet)フレームワークを提案する。
論文 参考訳(メタデータ) (2023-09-23T19:07:03Z) - GRANDE: a neural model over directed multigraphs with application to
anti-money laundering [20.113306761523713]
我々は,方向情報を効率的に組み込むことで,課題を克服する新しいGNNプロトコルを開発した。
本稿では,エッジ・ツー・ノードグラフの拡張に対する新しいメッセージパッシング方式を用いて,エッジ関連タスクをターゲットとする拡張を提案する。
GRANDEと呼ばれる具体的なGNNアーキテクチャは,提案プロトコルを用いて導出される。
論文 参考訳(メタデータ) (2023-02-04T05:54:25Z) - MGNNI: Multiscale Graph Neural Networks with Implicit Layers [53.75421430520501]
暗黙グラフニューラルネットワーク(GNN)は、基礎となるグラフの長距離依存性をキャプチャするために提案されている。
暗黙的GNNの2つの弱点は、長距離依存を捉えるための限られた有効範囲による制約付き表現性と、複数の解像度でグラフ上のマルチスケール情報をキャプチャする能力の欠如である。
グラフ上のマルチスケール構造をモデル化できる暗黙の層(MGNNI)を持つマルチスケールグラフニューラルネットワークを提案する。
論文 参考訳(メタデータ) (2022-10-15T18:18:55Z) - Comprehensive Graph Gradual Pruning for Sparse Training in Graph Neural
Networks [52.566735716983956]
本稿では,CGPと呼ばれるグラフの段階的プルーニングフレームワークを動的にGNNに提案する。
LTHに基づく手法とは異なり、提案手法では再学習を必要とせず、計算コストを大幅に削減する。
提案手法は,既存の手法の精度を一致させたり,あるいは超えたりしながら,トレーニングと推論の効率を大幅に向上させる。
論文 参考訳(メタデータ) (2022-07-18T14:23:31Z) - Tensor Networks for Multi-Modal Non-Euclidean Data [24.50116388903113]
本稿では,グラフ,テンソル,ニューラルネットワークの望ましい特性を物理的に有意義でコンパクトな方法で活用する,新しいマルチグラフネットワーク(mgtn)フレームワークを提案する。
これによりMGTNは不規則なデータソースのローカル情報をパラメータの複雑さを大幅に減らすことができる。
MGTNフレームワークの利点、特にテンソルネットワークの固有の低ランク正規化特性による過度な適合を回避する能力が示されている。
論文 参考訳(メタデータ) (2021-03-27T21:33:46Z) - Learning to Extrapolate Knowledge: Transductive Few-shot Out-of-Graph
Link Prediction [69.1473775184952]
数発のアウトオブグラフリンク予測という現実的な問題を導入する。
我々は,新しいメタ学習フレームワークによってこの問題に対処する。
我々は,知識グラフの補完と薬物と薬物の相互作用予測のために,複数のベンチマークデータセット上でモデルを検証した。
論文 参考訳(メタデータ) (2020-06-11T17:42:46Z) - Tensor Graph Convolutional Networks for Multi-relational and Robust
Learning [74.05478502080658]
本稿では,テンソルで表されるグラフの集合に関連するデータから,スケーラブルな半教師付き学習(SSL)を実現するためのテンソルグラフ畳み込みネットワーク(TGCN)を提案する。
提案アーキテクチャは、標準的なGCNと比較して大幅に性能が向上し、最先端の敵攻撃に対処し、タンパク質間相互作用ネットワーク上でのSSL性能が著しく向上する。
論文 参考訳(メタデータ) (2020-03-15T02:33:21Z) - Graph Representation Learning via Graphical Mutual Information
Maximization [86.32278001019854]
本稿では,入力グラフとハイレベルな隠蔽表現との相関を測る新しい概念であるGMIを提案する。
我々は,グラフニューラルエンコーダの入力と出力の間でGMIを最大化することで訓練された教師なし学習モデルを開発する。
論文 参考訳(メタデータ) (2020-02-04T08:33:49Z)
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。