論文の概要: Sampling and Recovery of Graph Signals based on Graph Neural Networks
- arxiv url: http://arxiv.org/abs/2011.01412v1
- Date: Tue, 3 Nov 2020 01:45:41 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-30 06:25:31.638347
- Title: Sampling and Recovery of Graph Signals based on Graph Neural Networks
- Title（参考訳）: グラフニューラルネットワークによるグラフ信号のサンプリングと復元
- Authors: Siheng Chen and Maosen Li and Ya Zhang
- Abstract要約: 本稿では,グラフ信号のサンプリングとリカバリのための解釈可能なグラフニューラルネットワークを提案する。
提案手法は,ニューラルネットワークの学習能力を活用して,データから様々なグラフ信号モデルを柔軟に学習することができる。
実験では,提案したグラフニューラルサンプリングおよびリカバリモジュールの効果を概説し,各モジュールが様々なグラフ構造やグラフ信号に柔軟に適応できることを見出した。
- 参考スコア（独自算出の注目度）: 44.76396026242879
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We propose interpretable graph neural networks for sampling and recovery of
graph signals, respectively. To take informative measurements, we propose a new
graph neural sampling module, which aims to select those vertices that
maximally express their corresponding neighborhoods. Such expressiveness can be
quantified by the mutual information between vertices' features and
neighborhoods' features, which are estimated via a graph neural network. To
reconstruct an original graph signal from the sampled measurements, we propose
a graph neural recovery module based on the algorithm-unrolling technique.
Compared to previous analytical sampling and recovery, the proposed methods are
able to flexibly learn a variety of graph signal models from data by leveraging
the learning ability of neural networks; compared to previous
neural-network-based sampling and recovery, the proposed methods are designed
through exploiting specific graph properties and provide interpretability. We
further design a new multiscale graph neural network, which is a trainable
multiscale graph filter bank and can handle various graph-related learning
tasks. The multiscale network leverages the proposed graph neural sampling and
recovery modules to achieve multiscale representations of a graph. In the
experiments, we illustrate the effects of the proposed graph neural sampling
and recovery modules and find that the modules can flexibly adapt to various
graph structures and graph signals. In the task of active-sampling-based
semi-supervised learning, the graph neural sampling module improves the
classification accuracy over 10% in Cora dataset. We further validate the
proposed multiscale graph neural network on several standard datasets for both
vertex and graph classification. The results show that our method consistently
improves the classification accuracies.
- Abstract（参考訳）: 本稿では,グラフ信号のサンプリングと回復のための解釈可能なグラフニューラルネットワークを提案する。
そこで我々は,その周辺を最大に表現する頂点を選択することを目的とした,新しいグラフニューラルサンプリングモジュールを提案する。
このような表現性は、グラフニューラルネットワークを介して推定される頂点の特徴と近傍の特徴の相互情報によって定量化することができる。
サンプルデータから元のグラフ信号を再構成するために,アルゴリズムの学習手法に基づくグラフニューラルリカバリモジュールを提案する。
従来の解析的サンプリング・リカバリと比較して,提案手法はニューラルネットワークの学習能力を利用して,データから様々なグラフ信号モデルを柔軟に学習することができる。
さらに,訓練可能な多スケールグラフフィルタバンクであり,様々なグラフ関連学習タスクを処理可能な,新しい多スケールグラフニューラルネットワークの設計を行った。
マルチスケールネットワークは、提案したグラフニューラルサンプリングおよびリカバリモジュールを活用して、グラフのマルチスケール表現を実現する。
実験では,提案したグラフニューラルサンプリングおよびリカバリモジュールの効果を概説し,各モジュールが様々なグラフ構造やグラフ信号に柔軟に適応できることを見出した。
アクティブサンプリングに基づく半教師付き学習のタスクでは、グラフニューラルネットワークサンプリングモジュールは、Coraデータセットの10%以上の分類精度を改善する。
提案するマルチスケールグラフニューラルネットワークを,頂点分類とグラフ分類の両方の標準データセット上で検証する。
その結果,本手法は分類精度を常に改善することがわかった。
関連論文リスト
- GNN-LoFI: a Novel Graph Neural Network through Localized Feature-based
Histogram Intersection [51.608147732998994]
グラフニューラルネットワークは、グラフベースの機械学習の選択フレームワークになりつつある。
本稿では,古典的メッセージパッシングに代えて,ノード特徴の局所分布を解析するグラフニューラルネットワークアーキテクチャを提案する。
論文 参考訳（メタデータ） (2024-01-17T13:04:23Z) - A Survey on Graph Classification and Link Prediction based on GNN [11.614366568937761]
本稿では,グラフ畳み込みニューラルネットワークの世界について述べる。
グラフ畳み込みニューラルネットワークの基礎を詳述する。
注意機構とオートエンコーダに基づいて、グラフニューラルネットワークモデルを解明する。
論文 参考訳（メタデータ） (2023-07-03T09:08:01Z) - Neuro-symbolic computing with spiking neural networks [0.6035125735474387]
我々は、スパイクベースのグラフアルゴリズムに関するこれまでの研究を、スパイクニューロンを用いてシンボリックおよびマルチリレーショナル情報をエンコードする方法を実証することによって拡張した。
導入されたフレームワークは、グラフ埋め込みパラダイムと、エラーバックプロパゲーションを用いたスパイクニューラルネットワークのトレーニングの最近の進歩を組み合わせることで実現されている。
論文 参考訳（メタデータ） (2022-08-04T10:49:34Z) - Contrastive Brain Network Learning via Hierarchical Signed Graph Pooling
Model [64.29487107585665]
脳機能ネットワーク上のグラフ表現学習技術は、臨床表現型および神経変性疾患のための新しいバイオマーカーの発見を容易にする。
本稿では,脳機能ネットワークからグラフレベル表現を抽出する階層型グラフ表現学習モデルを提案する。
また、モデルの性能をさらに向上させるために、機能的脳ネットワークデータをコントラスト学習のために拡張する新たな戦略を提案する。
論文 参考訳（メタデータ） (2022-07-14T20:03:52Z) - An Empirical Study of Retrieval-enhanced Graph Neural Networks [48.99347386689936]
グラフニューラルネットワーク(GNN)は、グラフ表現学習に有効なツールである。
本稿では,グラフニューラルネットワークモデルの選択に非依存な GraphRETRIEVAL という検索強化方式を提案する。
我々は13のデータセットに対して包括的な実験を行い、GRAPHRETRIEVALが既存のGNNよりも大幅に改善されていることを観察した。
論文 参考訳（メタデータ） (2022-06-01T09:59:09Z) - A generative neural network model for random dot product graphs [1.1421942894219896]
GraphMoEは、ランダムグラフの生成モデルを学ぶための新しいアプローチである。
ニューラルネットワークは、モーメント推定器を用いて、ランダムグラフのクラスの分布と一致するように訓練される。
論文 参考訳（メタデータ） (2022-04-15T19:59:22Z) - Self-Supervised Graph Representation Learning for Neuronal Morphologies [75.38832711445421]
ラベルのないデータセットから3次元神経形態の低次元表現を学習するためのデータ駆動型アプローチであるGraphDINOを提案する。
2つの異なる種と複数の脳領域において、この方法では、専門家による手動の特徴に基づく分類と同程度に形態学的細胞型クラスタリングが得られることを示す。
提案手法は,大規模データセットにおける新しい形態的特徴や細胞型の発見を可能にする可能性がある。
論文 参考訳（メタデータ） (2021-12-23T12:17:47Z) - Towards Deeper Graph Neural Networks [63.46470695525957]
グラフ畳み込みは近傍の集約を行い、最も重要なグラフ操作の1つである。
いくつかの最近の研究で、この性能劣化は過度に滑らかな問題に起因している。
本研究では,大きな受容領域からの情報を適応的に組み込むディープ適応グラフニューラルネットワーク(DAGNN)を提案する。
論文 参考訳（メタデータ） (2020-07-18T01:11:14Z)
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。