Fugu-MT 論文翻訳(概要): Stacked Graph Filter

論文の概要: Stacked Graph Filter

arxiv url: http://arxiv.org/abs/2011.10988v1
Date: Sun, 22 Nov 2020 11:20:14 GMT
ステータス: 処理完了
システム内更新日: 2022-09-22 12:09:09.704743
Title: Stacked Graph Filter
Title（参考訳）: 積層グラフフィルタ
Authors: Hoang NT and Takanori Maehara and Tsuyoshi Murata
Abstract要約: グラフ信号処理の観点から,グラフ畳み込みネットワーク(GCN)について検討する。学習可能な解パラメータでグラフフィルタを積み重ねることで、高度に適応的で堅牢なグラフ分類モデルを構築することができる。
参考スコア（独自算出の注目度）: 19.343260981528186
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We study Graph Convolutional Networks (GCN) from the graph signal processing viewpoint by addressing a difference between learning graph filters with fully connected weights versus trainable polynomial coefficients. We find that by stacking graph filters with learnable polynomial parameters, we can build a highly adaptive and robust vertex classification model. Our treatment here relaxes the low-frequency (or equivalently, high homophily) assumptions in existing vertex classification models, resulting a more ubiquitous solution in terms of spectral properties. Empirically, by using only one hyper-parameter setting, our model achieves strong results on most benchmark datasets across the frequency spectrum.
Abstract（参考訳）: グラフ信号処理の観点からグラフ畳み込みネットワーク(GCN)について検討し,完全連結重み付き学習グラフフィルタとトレーニング可能な多項式係数との差に対処する。学習可能な多項式パラメータでグラフフィルタを積み重ねることで、高度に適応的で堅牢な頂点分類モデルを構築することができる。ここでの処理は、既存の頂点分類モデルにおける低周波(あるいは同値な高ホモフィリー)仮定を緩和し、スペクトル特性の観点からよりユビキタスな解となる。実験では,1つのハイパーパラメータ設定のみを用いることで,周波数スペクトルにまたがるほとんどのベンチマークデータセットに対して強い結果が得られる。

関連論文リスト

GrassNet: State Space Model Meets Graph Neural Network [57.62885438406724]
Graph State Space Network (GrassNet)は、任意のグラフスペクトルフィルタを設計するためのシンプルで効果的なスキームを提供する理論的なサポートを持つ、新しいグラフニューラルネットワークである。我々の知る限り、我々の研究はグラフGNNスペクトルフィルタの設計にSSMを使った最初のものである。 9つの公開ベンチマークでの大規模な実験により、GrassNetは現実世界のグラフモデリングタスクにおいて優れたパフォーマンスを達成することが明らかになった。
論文参考訳（メタデータ） (2024-08-16T07:33:58Z)
Optimizing Polynomial Graph Filters: A Novel Adaptive Krylov Subspace Approach [36.06398179717066]
我々は,Krylov部分空間に基づく適応グラフフィルタを開発し,複素グラフをフィルタする。我々は、一連の実世界のデータセットにまたがって広範な実験を行う。
論文参考訳（メタデータ） (2024-03-12T06:26:17Z)
An Effective Universal Polynomial Basis for Spectral Graph Neural Networks [12.725906836609811]
スペクトルグラフニューラルネットワーク(GNN)はヘテロフィリーグラフの出現率を高めている。グラフヘテロフィリー次数を導入して適応的なヘテロフィリー基底を開発する。そして、このヘテロフィ基底をホモフィ基底と統合し、普遍基底UniBasisを作成する。
論文参考訳（メタデータ） (2023-11-30T01:48:42Z)
Specformer: Spectral Graph Neural Networks Meet Transformers [51.644312964537356]
スペクトルグラフニューラルネットワーク(GNN)は、スペクトル領域グラフ畳み込みを通じてグラフ表現を学習する。本稿では、全ての固有値の集合を効果的に符号化し、スペクトル領域で自己アテンションを行うSpecformerを紹介する。複数のSpecformerレイヤを積み重ねることで、強力なスペクトルGNNを構築することができる。
論文参考訳（メタデータ） (2023-03-02T07:36:23Z)
Graph Polynomial Convolution Models for Node Classification of Non-Homophilous Graphs [52.52570805621925]
本研究では,高階グラフ畳み込みからの効率的な学習と,ノード分類のための隣接行列から直接学習する。得られたモデルが新しいグラフと残留スケーリングパラメータをもたらすことを示す。提案手法は,非親和性パラメータのノード分類における精度の向上を実証する。
論文参考訳（メタデータ） (2022-09-12T04:46:55Z)
A Piece-wise Polynomial Filtering Approach for Graph Neural Networks [0.45298395481707365]
グラフニューラルネットワーク(GNN)は、ノードの特徴と入力グラフトポロジからの信号を利用して、ノード分類タスクのパフォーマンスを向上させる。これらのモデルは、連結ノードが異なるラベルを持つヘテロ親和性グラフ上では性能が良くない傾向にある。提案モデルでは,最先端モデルに対して最大5%の性能向上を実現し,従来のフィルタ方式よりも優れた性能を示す。
論文参考訳（メタデータ） (2021-12-07T05:16:53Z)
Adaptive Gaussian Processes on Graphs via Spectral Graph Wavelets [3.2498534294827044]
本稿では,異なるスケールで情報を集約できるスペクトルグラフウェーブレットを用いたプロセスモデルを提案する。グラフスペクトルの高密度領域における低近似誤差を求めるフィルタ関数のスペクトル適応近似を用いて,より大きなグラフに対するスケーラビリティを実現する。
論文参考訳（メタデータ） (2021-10-25T09:25:04Z)
Message Passing in Graph Convolution Networks via Adaptive Filter Banks [81.12823274576274]
我々は BankGCN と呼ばれる新しいグラフ畳み込み演算子を提案する。グラフ上のマルチチャネル信号をサブスペースに分解し、各サブスペース内の特定の情報を適応フィルタで処理する。ベンチマークグラフデータセットの集合におけるグラフ分類における優れたパフォーマンスを実現する。
論文参考訳（メタデータ） (2021-06-18T04:23:34Z)
Graph Neural Networks with Adaptive Frequency Response Filter [55.626174910206046]
適応周波数応答フィルタを用いたグラフニューラルネットワークフレームワークAdaGNNを開発した。提案手法の有効性を,様々なベンチマークデータセット上で実証的に検証した。
論文参考訳（メタデータ） (2021-04-26T19:31:21Z)
Unrolling of Deep Graph Total Variation for Image Denoising [106.93258903150702]
本稿では,従来のグラフ信号フィルタリングと深い特徴学習を併用して,競合するハイブリッド設計を提案する。解釈可能な低パスグラフフィルタを用い、最先端のDL復調方式DnCNNよりも80%少ないネットワークパラメータを用いる。
論文参考訳（メタデータ） (2020-10-21T20:04:22Z)
Gaussian Processes on Graphs via Spectral Kernel Learning [9.260186030255081]
グラフのノード上で定義された信号の予測のためのグラフスペクトルに基づくガウス過程を提案する。合成実験におけるモデルの解釈可能性を示し、様々な基底真理スペクトルフィルタを精度良く回収できることを示す。
論文参考訳（メタデータ） (2020-06-12T17:51:22Z)

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。