論文の概要: Graph Autoencoders with Deconvolutional Networks
- arxiv url: http://arxiv.org/abs/2012.11898v1
- Date: Tue, 22 Dec 2020 09:49:39 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-26 07:43:59.361832
- Title: Graph Autoencoders with Deconvolutional Networks
- Title(参考訳): 畳み込みネットワークを用いたグラフオートエンコーダ
- Authors: Jia Li, Tomas Yu, Da-Cheng Juan, Arjun Gopalan, Hong Cheng, Andrew
Tomkins
- Abstract要約: Graph Deconvolutional Networks (GDN)は、スムーズなノード表現からグラフ信号を再構成する。
スペクトル領域の逆フィルタとウェーブレット領域のノイズ除去層の組み合わせにより、グラフデコンボリューションネットワークの設計を動機付けます。
提案したGDNに基づいて, GCNでスムースグラフ表現をエンコードし, GDNで正確なグラフ信号をデコードするグラフオートエンコーダ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): 32.78113728062279
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recent studies have indicated that Graph Convolutional Networks (GCNs) act as
a \emph{low pass} filter in spectral domain and encode smoothed node
representations. In this paper, we consider their opposite, namely Graph
Deconvolutional Networks (GDNs) that reconstruct graph signals from smoothed
node representations. We motivate the design of Graph Deconvolutional Networks
via a combination of inverse filters in spectral domain and de-noising layers
in wavelet domain, as the inverse operation results in a \emph{high pass}
filter and may amplify the noise. Based on the proposed GDN, we further propose
a graph autoencoder framework that first encodes smoothed graph representations
with GCN and then decodes accurate graph signals with GDN. We demonstrate the
effectiveness of the proposed method on several tasks including unsupervised
graph-level representation , social recommendation and graph generation
- Abstract(参考訳): 近年の研究では、グラフ畳み込みネットワーク (gcns) がスペクトル領域において \emph{low pass} フィルタとして作用し、平滑化ノード表現を符号化することが示されている。
本稿では,グラフをスムーズなノード表現から再構成するグラフデコンボリューショナルネットワーク(GDN)について考察する。
スペクトル領域の逆フィルタとウェーブレット領域の逆処理層の組み合わせにより,グラフデコンボリューショナルネットワークの設計を動機付け,その逆演算により 'emph{high pass} フィルタが得られ,ノイズを増幅することができる。
提案したGDNに基づいて,まずGCNでスムーズなグラフ表現を符号化し,GDNで正確なグラフ信号を復号するグラフオートエンコーダフレームワークを提案する。
教師なしグラフレベル表現,ソーシャルレコメンデーション,グラフ生成などのタスクにおける提案手法の有効性を実証する。
関連論文リスト
- Learning Graph Structure from Convolutional Mixtures [119.45320143101381]
本稿では、観測されたグラフと潜伏グラフのグラフ畳み込み関係を提案し、グラフ学習タスクをネットワーク逆(デコンボリューション)問題として定式化する。
固有分解に基づくスペクトル法の代わりに、近似勾配反復をアンロール・トランケートして、グラフデコンボリューションネットワーク(GDN)と呼ばれるパラメータ化ニューラルネットワークアーキテクチャに到達させる。
GDNは、教師付き方式でグラフの分布を学習し、損失関数を適応させることでリンク予測やエッジウェイト回帰タスクを実行し、本質的に帰納的である。
論文 参考訳(メタデータ) (2022-05-19T14:08:15Z) - Overcoming Oversmoothness in Graph Convolutional Networks via Hybrid
Scattering Networks [11.857894213975644]
本稿では,従来のGCNフィルタと幾何散乱変換を用いて定義された帯域通過フィルタを組み合わせたハイブリッドグラフニューラルネットワーク(GNN)フレームワークを提案する。
理論的には, グラフからの構造情報を活用するために散乱フィルタの相補的な利点が確立され, 実験では様々な学習課題における手法の利点が示された。
論文 参考訳(メタデータ) (2022-01-22T00:47:41Z) - Deconvolutional Networks on Graph Data [33.95030071792298]
本稿では,GDN(Graph Deconvolutional Network)を提案し,スペクトル領域の逆フィルタとウェーブレット領域の非雑音層を組み合わせたGDNの設計を動機付ける。
本稿では,グラフ特徴量計算やグラフ構造生成などのタスクにおける提案手法の有効性を示す。
論文 参考訳(メタデータ) (2021-10-29T04:02:06Z) - Spectral Graph Convolutional Networks With Lifting-based Adaptive Graph
Wavelets [81.63035727821145]
スペクトルグラフ畳み込みネットワーク(SGCN)はグラフ表現学習において注目を集めている。
本稿では,適応グラフウェーブレットを用いたグラフ畳み込みを実装した新しいスペクトルグラフ畳み込みネットワークを提案する。
論文 参考訳(メタデータ) (2021-08-03T17:57:53Z) - Beyond Low-pass Filtering: Graph Convolutional Networks with Automatic
Filtering [61.315598419655224]
グラフ信号の全スペクトルをキャプチャする自動グラフ畳み込みネットワーク(AutoGCN)を提案する。
グラフスペクトル理論に基づいているが、私たちのAutoGCNも空間に局在しており、空間形式を持っている。
論文 参考訳(メタデータ) (2021-07-10T04:11:25Z) - 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) - A Robust and Generalized Framework for Adversarial Graph Embedding [73.37228022428663]
本稿では,AGE という逆グラフ埋め込みのための頑健なフレームワークを提案する。
AGEは、暗黙の分布から強化された負のサンプルとして偽の隣接ノードを生成する。
本フレームワークでは,3種類のグラフデータを扱う3つのモデルを提案する。
論文 参考訳(メタデータ) (2021-05-22T07:05:48Z) - 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) - BiGCN: A Bi-directional Low-Pass Filtering Graph Neural Network [35.97496022085212]
多くのグラフ畳み込みネットワークは、グラフ信号の低パスフィルタと見なすことができる。
本稿では,グラフニューラルネットワークを双方向低域通過フィルタとして表現する新しいモデルBiGCNを提案する。
私たちのモデルは、ほとんどのベンチマークデータセットのノード分類とリンク予測のタスクで、以前のグラフニューラルネットワークを上回っています。
論文 参考訳(メタデータ) (2021-01-14T09:41:00Z)
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。