論文の概要: Transport based Graph Kernels

• arxiv url: http://arxiv.org/abs/2011.00745v1
• Date: Mon, 2 Nov 2020 04:44:27 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-30 12:32:31.158865
• Title: Transport based Graph Kernels
• Title（参考訳）: トランスポート型グラフカーネル
• Authors: Kai Ma, Peng Wan, Daoqiang Zhang
• Abstract要約: グラフカーネルはグラフ間の類似性を測定する強力なツールである。 既存のグラフカーネルのほとんどはノードラベルや属性に重点を置いており、グラフ階層構造情報を無視している。 最適輸送(OT)に基づくピラミッドグラフカーネルを提案する。 提案したグラフカーネルをいくつかのベンチマーク分類タスクで評価し、その性能を既存の最先端グラフカーネルと比較する。
• 参考スコア（独自算出の注目度）: 30.541423115387097
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graph kernel is a powerful tool measuring the similarity between graphs. Most of the existing graph kernels focused on node labels or attributes and ignored graph hierarchical structure information. In order to effectively utilize graph hierarchical structure information, we propose pyramid graph kernel based on optimal transport (OT). Each graph is embedded into hierarchical structures of the pyramid. Then, the OT distance is utilized to measure the similarity between graphs in hierarchical structures. We also utilize the OT distance to measure the similarity between subgraphs and propose subgraph kernel based on OT. The positive semidefinite (p.s.d) of graph kernels based on optimal transport distance is not necessarily possible. We further propose regularized graph kernel based on OT where we add the kernel regularization to the original optimal transport distance to obtain p.s.d kernel matrix. We evaluate the proposed graph kernels on several benchmark classification tasks and compare their performance with the existing state-of-the-art graph kernels. In most cases, our proposed graph kernel algorithms outperform the competing methods.
• Abstract（参考訳）: グラフカーネルはグラフ間の類似性を測定する強力なツールである。 既存のグラフカーネルのほとんどはノードラベルや属性に注目しており、グラフ階層構造情報を無視している。 グラフ階層構造情報を効果的に活用するために,最適輸送(OT)に基づくピラミッドグラフカーネルを提案する。 各グラフはピラミッドの階層構造に埋め込まれている。 次に、ot距離を用いて階層構造におけるグラフ間の類似度を測定する。 また, ot距離を用いてサブグラフ間の類似度を測定し, otに基づくサブグラフカーネルを提案する。 最適輸送距離に基づくグラフカーネルの正半定値(p.s.d)は必ずしも不可能ではない。 さらに、OTに基づく正規化グラフカーネルを提案し、p.s.dカーネル行列を得るために、元の最適輸送距離にカーネル正規化を追加する。 提案するグラフカーネルをいくつかのベンチマーク分類タスクで評価し,その性能を既存のグラフカーネルと比較した。 ほとんどの場合、提案するグラフカーネルアルゴリズムは競合する手法よりも優れている。

関連論文リスト

• Graph Parsing Networks [64.5041886737007]
  本稿では,効率的なグラフ解析アルゴリズムを提案する。 結果として得られるグラフパーシングネットワーク(GPN)は、個々のグラフに対してパーソナライズされたプーリング構造を適応的に学習する。
  論文  参考訳（メタデータ） (2024-02-22T09:08:36Z)
• Graph Mixup with Soft Alignments [49.61520432554505]
  本研究では,画像上での使用に成功しているミキサアップによるグラフデータの増大について検討する。 ソフトアライメントによるグラフ分類のための簡易かつ効果的な混合手法であるS-Mixupを提案する。
  論文  参考訳（メタデータ） (2023-06-11T22:04:28Z)
• Multi-scale Wasserstein Shortest-path Graph Kernels for Graph Classification [24.041871640927738]
  We propose a novel graph kernel called the Multi-scale Wasserstein Shortest-Path graph kernel (MWSP)。 MWSPは,ほとんどのデータセットで最先端の性能を実現する。
  論文  参考訳（メタデータ） (2022-06-02T10:50:46Z)
• Graph Kernel Neural Networks [53.91024360329517]
  本稿では、グラフ上の内部積を計算するカーネル関数であるグラフカーネルを用いて、標準畳み込み演算子をグラフ領域に拡張することを提案する。 これにより、入力グラフの埋め込みを計算する必要のない完全に構造的なモデルを定義することができる。 私たちのアーキテクチャでは,任意の種類のグラフカーネルをプラグインすることが可能です。
  論文  参考訳（メタデータ） (2021-12-14T14:48:08Z)
• Graph Filtration Kernels [3.325932244741268]
  本稿では,特徴区間を組み込んだグラフカーネル群を提案する。 Wesfeiler-Lehmanラベルを特定のフィルター上で使用すると、通常のWeisfeiler-Lehmanプロシージャよりも表現力が強くなる。
  論文  参考訳（メタデータ） (2021-10-22T15:51:10Z)
• Neighborhood Preserving Kernels for Attributed Graphs [0.9176056742068812]
  本稿では,属性グラフに適した再生カーネルの設計について述べる。 2つのグラフ間の類似性は、グラフノードの近傍情報に基づいて定義される。 提案したカーネルをサポートベクトルマシンに組み込むことで,実世界のデータセットを分析した。
  論文  参考訳（メタデータ） (2020-10-13T09:58:50Z)
• 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)
• Graph Neural Networks with Composite Kernels [60.81504431653264]
  カーネル重み付けの観点からノード集約を再解釈する。 本稿では,アグリゲーション方式における特徴類似性を考慮したフレームワークを提案する。 特徴空間における特徴類似性をエンコードするために,元の隣り合うカーネルと学習可能なカーネルの合成として特徴集約を提案する。
  論文  参考訳（メタデータ） (2020-05-16T04:44:29Z)
• Wasserstein-based Graph Alignment [56.84964475441094]
  我々は,より小さいグラフのノードと大きなグラフのノードをマッチングすることを目的とした,1対多のグラフアライメント問題に対する新しい定式化を行った。 提案手法は,各タスクに対する最先端のアルゴリズムに対して,大幅な改善をもたらすことを示す。
  論文  参考訳（メタデータ） (2020-03-12T22:31:59Z)
• Tree++: Truncated Tree Based Graph Kernels [5.819012768798548]
  グラフカーネルはグラフをサブ構造に分解し、これらのサブ構造を比較するためにしばしば使用される。 この問題に対処するため,本論文ではTree++と呼ばれる新しいグラフカーネルを提案する。 Tree++は、以前のグラフカーネルと比較して、最高の分類精度を実現している。
  論文  参考訳（メタデータ） (2020-02-23T07:07:10Z)
• A Hierarchical Transitive-Aligned Graph Kernel for Un-attributed Graphs [11.51839867040302]
  我々は、グラフ間の頂点を推移的に整列させることにより、新しいグラフカーネル、すなわち階層的推移型カーネルを開発する。 提案したカーネルは、分類精度の観点から、標準グラフベースのデータセット上で最先端のグラフカーネルより優れている。
  論文  参考訳（メタデータ） (2020-02-08T11:46:25Z)

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。