論文の概要: Co-embedding of Nodes and Edges with Graph Neural Networks
- arxiv url: http://arxiv.org/abs/2010.13242v1
- Date: Sun, 25 Oct 2020 22:39:31 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-03 04:32:27.314537
- Title: Co-embedding of Nodes and Edges with Graph Neural Networks
- Title（参考訳）: グラフニューラルネットワークによるノードとエッジの共埋め込み
- Authors: Xiaodong Jiang, Ronghang Zhu, Pengsheng Ji, Sheng Li
- Abstract要約: グラフ埋め込みは、高次元および非ユークリッド特徴空間でデータ構造を変換しエンコードする方法である。
CensNetは一般的なグラフ埋め込みフレームワークで、ノードとエッジの両方を潜在機能空間に埋め込む。
提案手法は,4つのグラフ学習課題における最先端のパフォーマンスを達成または一致させる。
- 参考スコア（独自算出の注目度）: 13.020745622327894
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Graph, as an important data representation, is ubiquitous in many real world
applications ranging from social network analysis to biology. How to correctly
and effectively learn and extract information from graph is essential for a
large number of machine learning tasks. Graph embedding is a way to transform
and encode the data structure in high dimensional and non-Euclidean feature
space to a low dimensional and structural space, which is easily exploited by
other machine learning algorithms. We have witnessed a huge surge of such
embedding methods, from statistical approaches to recent deep learning methods
such as the graph convolutional networks (GCN). Deep learning approaches
usually outperform the traditional methods in most graph learning benchmarks by
building an end-to-end learning framework to optimize the loss function
directly. However, most of the existing GCN methods can only perform
convolution operations with node features, while ignoring the handy information
in edge features, such as relations in knowledge graphs. To address this
problem, we present CensNet, Convolution with Edge-Node Switching graph neural
network, for learning tasks in graph-structured data with both node and edge
features. CensNet is a general graph embedding framework, which embeds both
nodes and edges to a latent feature space. By using line graph of the original
undirected graph, the role of nodes and edges are switched, and two novel graph
convolution operations are proposed for feature propagation. Experimental
results on real-world academic citation networks and quantum chemistry graphs
show that our approach achieves or matches the state-of-the-art performance in
four graph learning tasks, including semi-supervised node classification,
multi-task graph classification, graph regression, and link prediction.
- Abstract（参考訳）: 重要なデータ表現としてグラフは、ソーシャルネットワーク分析から生物学まで、多くの現実世界のアプリケーションで広く使われている。
グラフから情報を正しく、効果的に学習し、抽出する方法は多くの機械学習タスクに不可欠である。
グラフ埋め込みは、データ構造を高次元および非ユークリッド特徴空間から低次元および構造空間に変換しエンコードする方法であり、他の機械学習アルゴリズムによって容易に活用される。
グラフ畳み込みネットワーク(GCN)のような最近の深層学習手法への統計的アプローチから,そのような埋め込み手法の急増を目撃した。
ディープラーニングのアプローチは通常、損失関数を直接最適化するエンドツーエンドの学習フレームワークを構築することで、ほとんどのグラフ学習ベンチマークで従来の方法よりも優れています。
しかし、既存のGCNメソッドのほとんどは、ノードの特徴を持つ畳み込み操作しか実行できないが、知識グラフの関連性のようなエッジ特徴の便利な情報は無視できる。
この問題に対処するために、ノードとエッジの両方の特徴を持つグラフ構造化データのタスクを学習するためのCensNet, Convolution with Edge-Node Switching graph Neural Networkを提案する。
censnetは一般的なグラフ埋め込みフレームワークで、ノードとエッジの両方を潜在的な機能空間に埋め込む。
元の非方向グラフの線グラフを用いてノードとエッジの役割を切り替え、特徴伝播のために2つの新しいグラフ畳み込み演算を提案する。
実世界の学術引用ネットワークと量子化学グラフの実験結果から, 半教師付きノード分類, マルチタスクグラフ分類, グラフ回帰, リンク予測を含む4つのグラフ学習タスクにおいて, 最先端の性能を達成または一致させることが示されている。
関連論文リスト
- SimTeG: A Frustratingly Simple Approach Improves Textual Graph Learning [131.04781590452308]
テキストグラフ学習におけるフラストレーションに富んだアプローチであるSimTeGを提案する。
まず、下流タスクで予め訓練されたLM上で、教師付きパラメータ効率の微調整(PEFT)を行う。
次に、微調整されたLMの最後の隠れ状態を用いてノード埋め込みを生成する。
論文 参考訳（メタデータ） (2023-08-03T07:00:04Z) - NodeFormer: A Scalable Graph Structure Learning Transformer for Node
Classification [70.51126383984555]
本稿では,任意のノード間のノード信号を効率的に伝搬する全ペアメッセージパッシング方式を提案する。
効率的な計算は、カーナライズされたGumbel-Softmax演算子によって実現される。
グラフ上のノード分類を含む様々なタスクにおいて,本手法の有望な有効性を示す実験を行った。
論文 参考訳（メタデータ） (2023-06-14T09:21:15Z) - State of the Art and Potentialities of Graph-level Learning [54.68482109186052]
グラフレベルの学習は、比較、回帰、分類など、多くのタスクに適用されている。
グラフの集合を学習する伝統的なアプローチは、サブストラクチャのような手作りの特徴に依存している。
ディープラーニングは、機能を自動的に抽出し、グラフを低次元表現に符号化することで、グラフレベルの学習をグラフの規模に適応させるのに役立っている。
論文 参考訳（メタデータ） (2023-01-14T09:15:49Z) - 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) - Edge-Featured Graph Attention Network [7.0629162428807115]
エッジ機能付きグラフアテンションネットワーク(EGAT)を提案し、グラフニューラルネットワークの利用をノードとエッジの両方の特徴を持つグラフ上で学習するタスクに拡張する。
モデル構造と学習プロセスを改革することにより、新しいモデルはノードとエッジの機能を入力として受け入れ、エッジ情報を機能表現に組み込むことができ、ノードとエッジの機能を並列かつ相互に反復することができる。
論文 参考訳（メタデータ） (2021-01-19T15:08:12Z) - Sub-graph Contrast for Scalable Self-Supervised Graph Representation
Learning [21.0019144298605]
既存のグラフニューラルネットワークは、計算量やメモリコストが限られているため、完全なグラフデータで供給される。
textscSubg-Conは、中央ノードとそのサンプルサブグラフ間の強い相関を利用して、地域構造情報をキャプチャすることで提案される。
既存のグラフ表現学習アプローチと比較して、textscSubg-Conは、より弱い監視要件、モデル学習のスケーラビリティ、並列化において、顕著なパフォーマンス上のアドバンテージを持っています。
論文 参考訳（メタデータ） (2020-09-22T01:58:19Z) - GCC: Graph Contrastive Coding for Graph Neural Network Pre-Training [62.73470368851127]
グラフ表現学習は現実世界の問題に対処する強力な手法として登場した。
自己教師付きグラフニューラルネットワーク事前トレーニングフレームワークであるGraph Contrastive Codingを設計する。
3つのグラフ学習タスクと10のグラフデータセットについて実験を行った。
論文 参考訳（メタデータ） (2020-06-17T16:18:35Z) - Machine Learning on Graphs: A Model and Comprehensive Taxonomy [22.73365477040205]
グラフニューラルネットワーク、ネットワーク埋め込み、グラフ正規化モデルの間のギャップを埋める。
具体的には、グラフ上の半教師付き学習のための一般的なアルゴリズムを一般化するグラフデコーダモデル( GraphEDM)を提案する。
論文 参考訳（メタデータ） (2020-05-07T18:00:02Z) - Geometrically Principled Connections in Graph Neural Networks [66.51286736506658]
我々は、幾何学的深層学習の新興分野におけるイノベーションの原動力は、幾何が依然として主要な推進力であるべきだと論じている。
グラフニューラルネットワークとコンピュータグラフィックスとデータ近似モデルとの関係:放射基底関数(RBF)
完全連結層とグラフ畳み込み演算子を組み合わせた新しいビルディングブロックであるアフィンスキップ接続を導入する。
論文 参考訳（メタデータ） (2020-04-06T13:25:46Z)
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。