Fugu-MT 論文翻訳(概要): Learning Node Representations from Noisy Graph Structures

論文の概要: Learning Node Representations from Noisy Graph Structures

arxiv url: http://arxiv.org/abs/2012.02434v1
Date: Fri, 4 Dec 2020 07:18:39 GMT
ステータス: 処理完了
システム内更新日: 2021-05-22 20:33:45.285699
Title: Learning Node Representations from Noisy Graph Structures
Title（参考訳）: ノイズグラフ構造からのノード表現の学習
Authors: Junshan Wang, Ziyao Li, Qingqing Long, Weiyu Zhang, Guojie Song, Chuan Shi
Abstract要約: 現実のネットワークではノイズが広まっており、ネットワークを危険にさらしている。本研究では,ノイズのないノード表現を学習し,同時にノイズを除去する新しいフレームワークを提案する。
参考スコア（独自算出の注目度）: 38.32421350245066
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Learning low-dimensional representations on graphs has proved to be effective in various downstream tasks. However, noises prevail in real-world networks, which compromise networks to a large extent in that edges in networks propagate noises through the whole network instead of only the node itself. While existing methods tend to focus on preserving structural properties, the robustness of the learned representations against noises is generally ignored. In this paper, we propose a novel framework to learn noise-free node representations and eliminate noises simultaneously. Since noises are often unknown on real graphs, we design two generators, namely a graph generator and a noise generator, to identify normal structures and noises in an unsupervised setting. On the one hand, the graph generator serves as a unified scheme to incorporate any useful graph prior knowledge to generate normal structures. We illustrate the generative process with community structures and power-law degree distributions as examples. On the other hand, the noise generator generates graph noises not only satisfying some fundamental properties but also in an adaptive way. Thus, real noises with arbitrary distributions can be handled successfully. Finally, in order to eliminate noises and obtain noise-free node representations, two generators need to be optimized jointly, and through maximum likelihood estimation, we equivalently convert the model into imposing different regularization constraints on the true graph and noises respectively. Our model is evaluated on both real-world and synthetic data. It outperforms other strong baselines for node classification and graph reconstruction tasks, demonstrating its ability to eliminate graph noises.
Abstract（参考訳）: グラフ上の低次元表現を学習することは、様々な下流タスクに有効であることが証明されている。しかし、ネットワークのエッジがノード自身ではなくネットワーク全体のノイズを伝搬するという点で、ネットワークを妥協する現実世界のネットワークではノイズが一般的である。既存の手法は構造特性の保存に重点を置いているが、学習されたノイズに対する表現の堅牢性は一般的に無視される。本稿では,ノイズのないノード表現を学習し,同時にノイズを排除する新しい枠組みを提案する。実グラフ上ではノイズはしばしば未知であるため、教師なし環境での正常な構造とノイズを特定するために、グラフ生成器とノイズ発生器という2つのジェネレータを設計する。一方、グラフ生成器は、正規構造を生成するのに有用なグラフ事前知識を組み込む統一スキームとして機能する。本稿では,コミュニティ構造と権限-法次分布による生成過程を例に挙げる。一方、ノイズ発生器は、基本特性を満足するだけでなく、適応的にグラフノイズを生成する。したがって、任意の分布を持つ実雑音をうまく処理することができる。最後に,ノイズを除去し,ノイズのないノード表現を得るためには,2つの生成器を協調して最適化する必要がある。本モデルは実世界データと合成データの両方で評価される。これは、ノード分類やグラフ再構成タスクの他の強力なベースラインよりも優れており、グラフノイズを取り除く能力を示している。

関連論文リスト

You Can't Ignore Either: Unifying Structure and Feature Denoising for Robust Graph Learning [34.52299775051481]
我々は、構造と特徴のデッドロックを解き放つために、統一グラフ復調(UGD)フレームワークを開発する。具体的には、ノイズエッジを認識するために、高次近傍評価法を提案する。また,グラフオートエンコーダをベースとした,ノイズの多い特徴の再現も提案する。
論文参考訳（メタデータ） (2024-08-01T16:43:55Z)
DEGNN: Dual Experts Graph Neural Network Handling Both Edge and Node Feature Noise [5.048629544493508]
グラフニューラルネットワーク(GNN)は、グラフデータよりも様々なアプリケーションで顕著な成功を収めている。近年の研究では、実世界のグラフにはノイズがしばしば含まれており、GNNはグラフ内のノイズに影響を受けやすいことが判明している。我々は、エッジとノードの特徴の両面においてノイズを効果的に緩和するために設計された新しいGNNモデルであるDECNNを提案する。
論文参考訳（メタデータ） (2024-04-14T10:04:44Z)
Random Geometric Graph Alignment with Graph Neural Networks [8.08963638000146]
グラフニューラルネットワークは、2つのグラフの頂点間の未知の1対1マッピングを復元可能であることを示す。また、ノイズレベルの条件が対数的要因に厳密であることも証明した。ノイズレベルが少なくとも一定である場合、この直接マッチングは完全なリカバリが得られず、グラフニューラルネットワークは、グラフの大きさのパワーと同じくらいの速さで成長するノイズレベルを許容できることを示した。
論文参考訳（メタデータ） (2024-02-12T00:18:25Z)
RDGSL: Dynamic Graph Representation Learning with Structure Learning [23.00398150548281]
時間グラフネットワーク(TGN)は、連続時間動的グラフの学習表現において顕著な性能を示した。しかし、実世界のダイナミックグラフは典型的には多様で複雑なノイズを含む。ノイズは表現生成の質を著しく低下させ、下流タスクにおけるTGNの有効性を阻害する。
論文参考訳（メタデータ） (2023-09-05T08:03:59Z)
Local Graph-homomorphic Processing for Privatized Distributed Systems [57.14673504239551]
付加雑音は学習モデルの性能に影響を与えないことを示す。これは、分散アルゴリズムの差分プライバシーに関する以前の研究に対して、大きな改善である。
論文参考訳（メタデータ） (2022-10-26T10:00:14Z)
Learning to Generate Realistic Noisy Images via Pixel-level Noise-aware Adversarial Training [50.018580462619425]
我々は,PNGAN(Pixel-level Noise-aware Generative Adrial Network)という新しいフレームワークを提案する。 PNGANは、トレーニング済みのリアルデノイザーを使用して、フェイク画像とリアルノイズ画像をほぼノイズのないソリューション空間にマッピングする。より優れたノイズフィッティングを実現するため,ジェネレータとしてSimple Multi-versa-scale Network (SMNet) を提案する。
論文参考訳（メタデータ） (2022-04-06T14:09:02Z)
C2N: Practical Generative Noise Modeling for Real-World Denoising [53.96391787869974]
両例を使わずに複雑な実世界の騒音を模倣するクリーン・ツー・ノイズ画像生成フレームワーク,すなわちC2Nを導入する。我々は,C2Nの騒音発生器を実世界の騒音特性の成分に応じて構築し,広い範囲の騒音を正確に表現する。
論文参考訳（メタデータ） (2022-02-19T05:53:46Z)
Graph Denoising with Framelet Regularizer [25.542429117462547]
本稿では,特徴雑音と構造雑音の両面からグラフデータの正則化を行う。本モデルでは, グラフが汚染されている場合でも, 一般的なグラフ畳み込みと比較して, 性能が著しく向上する。
論文参考訳（メタデータ） (2021-11-05T05:17:23Z)
Neighbor2Neighbor: Self-Supervised Denoising from Single Noisy Images [98.82804259905478]
Neighbor2Neighborを提示し、ノイズの多い画像のみで効果的な画像消音モデルをトレーニングします。ネットワークのトレーニングに使用される入力とターゲットは、同じノイズ画像からサブサンプリングされた画像である。デノイジングネットワークは、第1段階で生成されたサブサンプルトレーニングペアで訓練され、提案された正規化器は、より良いパフォーマンスのための追加の損失として訓練される。
論文参考訳（メタデータ） (2021-01-08T02:03:25Z)
Reconstructing the Noise Manifold for Image Denoising [56.562855317536396]
本稿では,画像ノイズ空間の構造を明示的に活用するcGANを提案する。画像ノイズの低次元多様体を直接学習することにより、この多様体にまたがる情報のみをノイズ画像から除去する。我々の実験に基づいて、我々のモデルは既存の最先端アーキテクチャを大幅に上回っている。
論文参考訳（メタデータ） (2020-02-11T00:31:31Z)

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。