論文の概要: Graph convolutions that can finally model local structure

• arxiv url: http://arxiv.org/abs/2011.15069v2
• Date: Thu, 3 Jun 2021 07:58:32 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-06 14:40:00.253390
• Title: Graph convolutions that can finally model local structure
• Title（参考訳）: ついに局所構造をモデル化できるグラフ畳み込み
• Authors: R\'emy Brossard, Oriel Frigo, David Dehaene
• Abstract要約: 最近の研究では、現代のグラフニューラルネットワークは、小さなサイクルを検出するなど、非常に単純なタスクで失敗する可能性があることが示されている。 我々は,現在標準となっているGIN畳み込みに対する非常に単純な修正を提案し,時間とパラメータ数の面でほとんどコストがかからない小さなサイクルをネットワークが検出できるようにする。
• 参考スコア（独自算出の注目度）: 4.640835690336652
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Despite quick progress in the last few years, recent studies have shown that modern graph neural networks can still fail at very simple tasks, like detecting small cycles. This hints at the fact that current networks fail to catch information about the local structure, which is problematic if the downstream task heavily relies on graph substructure analysis, as in the context of chemistry. We propose a very simple correction to the now standard GIN convolution that enables the network to detect small cycles with nearly no cost in terms of computation time and number of parameters. Tested on real life molecule property datasets, our model consistently improves performance on large multi-tasked datasets over all baselines, both globally and on a per-task setting.
• Abstract（参考訳）: 近年の急速な進歩にもかかわらず、最近の研究では、現代のグラフニューラルネットワークは小さなサイクルを検出するなど、非常に単純なタスクで失敗する可能性があることが示されている。 これは、現在のネットワークが局所構造に関する情報をキャッチできないという事実を示唆しており、これは下流のタスクが化学の文脈のようにグラフのサブ構造解析に大きく依存している場合の問題である。 本稿では,現在標準となっているGIN畳み込みに対して,計算時間やパラメータ数の観点から,ほとんどコストがかからない小さなサイクルをネットワークが検出できる極めて単純な修正を提案する。 実生活分子特性データセットを用いて、我々のモデルは、グローバルおよびタスク毎の設定の両方において、すべてのベースラインにわたる大規模なマルチタスクデータセットの性能を一貫して改善する。

関連論文リスト

• Networked Time Series Imputation via Position-aware Graph Enhanced Variational Autoencoders [31.953958053709805]
  我々は,変分オートエンコーダ(VAE)を利用して,ノード時系列の特徴とグラフ構造の両方に欠落する値を予測するPoGeVonという新しいモデルを設計する。 実験の結果,ベースライン上でのモデルの有効性が示された。
  論文  参考訳（メタデータ） (2023-05-29T21:11:34Z)
• A Comprehensive Study on Large-Scale Graph Training: Benchmarking and Rethinking [124.21408098724551]
  グラフニューラルネットワーク(GNN)の大規模グラフトレーニングは、非常に難しい問題である 本稿では,既存の問題に対処するため,EnGCNという新たなアンサンブルトレーニング手法を提案する。 提案手法は,大規模データセット上でのSOTA(State-of-the-art)の性能向上を実現している。
  論文  参考訳（メタデータ） (2022-10-14T03:43:05Z)
• Deep learning and multi-level featurization of graph representations of microstructural data [0.0]
  均質化は、外部負荷に対するミクロ構造のサンプルの平均応答を予測するタスクを示す。 そこで本研究では,初期入力フィールドの離散化と分節化を考慮に入れたグラフ上に隠れた特徴を深く学習する手法を開発した。 この縮小表現は、その後のマルチレベル/スケールグラフ畳み込みネットワークモデルの基礎となる。
  論文  参考訳（メタデータ） (2022-09-29T14:25:17Z)
• Dynamic Graph Message Passing Networks for Visual Recognition [112.49513303433606]
  長距離依存のモデリングは、コンピュータビジョンにおけるシーン理解タスクに不可欠である。 完全連結グラフはそのようなモデリングには有益であるが、計算オーバーヘッドは禁じられている。 本稿では,計算複雑性を大幅に低減する動的グラフメッセージパッシングネットワークを提案する。
  論文  参考訳（メタデータ） (2022-09-20T14:41:37Z)
• GraphTTA: Test Time Adaptation on Graph Neural Networks [10.582212966736645]
  グラフニューラルネットワーク(GNN)のための新しいテスト時間適応戦略であるグラフ適応擬似グループコントラスト(GAPGC)を提案する。 GAPGCは、TTA中に自己教師型タスクとして、Adversarial Learnable Augmenter と Group Pseudo-Positive Samples を備えた対照的な学習変種を採用している。 我々は,GAPGCが情報理論の観点から主課題に必要な最小限の情報を引き出すことができるという理論的証拠を提供する。
  論文  参考訳（メタデータ） (2022-08-19T02:24:16Z)
• Neural Graph Matching for Pre-training Graph Neural Networks [72.32801428070749]
  グラフニューラルネットワーク(GNN)は、構造データのモデリングにおいて強力な能力を示している。 GMPTと呼ばれる新しいグラフマッチングベースのGNN事前学習フレームワークを提案する。 提案手法は,完全自己指導型プレトレーニングと粗粒型プレトレーニングに適用できる。
  論文  参考訳（メタデータ） (2022-03-03T09:53:53Z)
• Efficient-Dyn: Dynamic Graph Representation Learning via Event-based Temporal Sparse Attention Network [2.0047096160313456]
  動的グラフニューラルネットワークは、研究者からますます注目を集めている。 本稿では,新しい動的グラフニューラルネットワークであるEfficient-Dynを提案する。 時間的情報を同じ量の時間的トポロジ的構造を持つパッチのシーケンスに適応的に符号化する。
  論文  参考訳（メタデータ） (2022-01-04T23:52:24Z)
• Space-Time Graph Neural Networks [104.55175325870195]
  本研究では、時空間グラフニューラルネットワーク(ST-GNN)を導入し、時間変動ネットワークデータの時空間トポロジを共同処理する。 解析の結果,システムのネットワークトポロジと時間進化の変動はST-GNNの性能に大きく影響しないことがわかった。
  論文  参考訳（メタデータ） (2021-10-06T16:08:44Z)
• Temporal Graph Network Embedding with Causal Anonymous Walks Representations [54.05212871508062]
  本稿では,時間グラフネットワークに基づく動的ネットワーク表現学習のための新しいアプローチを提案する。 評価のために、時間的ネットワーク埋め込みの評価のためのベンチマークパイプラインを提供する。 欧州の大手銀行が提供した実世界のダウンストリームグラフ機械学習タスクにおいて、我々のモデルの適用性と優れた性能を示す。
  論文  参考訳（メタデータ） (2021-08-19T15:39:52Z)
• Structural Temporal Graph Neural Networks for Anomaly Detection in Dynamic Graphs [54.13919050090926]
  本稿では,動的グラフの異常エッジを検出するために,エンドツーエンドの時間構造グラフニューラルネットワークモデルを提案する。 特に,まずターゲットエッジを中心にした$h$ホップ囲むサブグラフを抽出し,各ノードの役割を識別するノードラベル機能を提案する。 抽出した特徴に基づき,GRU(Gated Recurrent Unit)を用いて,異常検出のための時間的情報を取得する。
  論文  参考訳（メタデータ） (2020-05-15T09:17:08Z)
• Ripple Walk Training: A Subgraph-based training framework for Large and Deep Graph Neural Network [10.36962234388739]
  本稿では,深部および大規模グラフニューラルネットワークのための一般的なサブグラフベーストレーニングフレームワークであるRipple Walk Training(RWT)を提案する。 RWTは、全グラフからサブグラフをサンプリングしてミニバッチを構成し、全GNNはミニバッチ勾配に基づいて更新される。 グラフの異なるサイズに関する大規模な実験は、様々なGNNを訓練する際のRWTの有効性と効率を実証している。
  論文  参考訳（メタデータ） (2020-02-17T19:07:41Z)

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。