論文の概要: Adaptive Graph Diffusion Networks with Hop-wise Attention
- arxiv url: http://arxiv.org/abs/2012.15024v1
- Date: Wed, 30 Dec 2020 03:43:04 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-18 06:05:27.195352
- Title: Adaptive Graph Diffusion Networks with Hop-wise Attention
- Title(参考訳): ホップワイズを考慮した適応グラフ拡散ネットワーク
- Authors: Chuxiong Sun, Guoshi Wu
- Abstract要約: ホップワイド・アテンション(AGDNs-HA)を用いた適応グラフ拡散ネットワークを提案する。
提案手法は,半教師付きノード分類タスクによる標準データセットの大幅な改善を実現する。
- 参考スコア(独自算出の注目度): 1.2183405753834562
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Graph Neural Networks (GNNs) have received much attention recent years and
have achieved state-of-the-art performances in many fields. The deeper GNNs can
theoretically capture deeper neighborhood information. However, they often
suffer from problems of over-fitting and over-smoothing. In order to
incorporate deeper information while preserving considerable complexity and
generalization ability, we propose Adaptive Graph Diffusion Networks with
Hop-wise Attention (AGDNs-HA). We stack multi-hop neighborhood aggregations of
different orders into single layer. Then we integrate them with the help of
hop-wise attention, which is learnable and adaptive for each node. Experimental
results on the standard dataset with semi-supervised node classification task
show that our proposed methods achieve significant improvements.
- Abstract(参考訳): グラフニューラルネットワーク(GNN)は近年注目を集め、多くの分野で最先端のパフォーマンスを実現している。
より深いGNNは理論上、より深い近隣情報をキャプチャすることができる。
しかし、しばしば過剰フィッティングや過剰スムーシングの問題に苦しむ。
複雑度と一般化性を維持しつつ,より深い情報を取り込むため,ホップワイズ・アテンション(agdns-ha)を用いた適応型グラフ拡散ネットワークを提案する。
異なる順序の複数のホップ近傍のアグリゲーションを単一層に積み重ねる。
次に、各ノードに対して学習可能で適応的なホップ対応の助けを借りて統合する。
半教師付きノード分類タスクを用いた標準データセットの実験結果から,提案手法は有意な改善が得られた。
関連論文リスト
- DA-MoE: Addressing Depth-Sensitivity in Graph-Level Analysis through Mixture of Experts [70.21017141742763]
グラフニューラルネットワーク(GNN)は、グラフ構造化データを処理することで人気を集めている。
既存のメソッドは通常、固定数のGNNレイヤを使用して、すべてのグラフの表現を生成する。
本稿では,GNNに2つの改良を加えたDA-MoE法を提案する。
論文 参考訳(メタデータ) (2024-11-05T11:46:27Z) - Learning Personalized Scoping for Graph Neural Networks under Heterophily [3.475704621679017]
異種ノードが接続する傾向がある不テロ親和性グラフは、グラフニューラルネットワーク(GNN)に挑戦する
我々は、ノード分類におけるGNN過度適合を克服する、個別のスコープ分類問題としてパーソナライズされたスコーピングを形式化する。
本稿では,GNN推論のみに参加する軽量なアプローチであるAdaptive Scope (AS)を提案する。
論文 参考訳(メタデータ) (2024-09-11T04:13:39Z) - NodeFormer: A Scalable Graph Structure Learning Transformer for Node
Classification [70.51126383984555]
本稿では,任意のノード間のノード信号を効率的に伝搬する全ペアメッセージパッシング方式を提案する。
効率的な計算は、カーナライズされたGumbel-Softmax演算子によって実現される。
グラフ上のノード分類を含む様々なタスクにおいて,本手法の有望な有効性を示す実験を行った。
論文 参考訳(メタデータ) (2023-06-14T09:21:15Z) - Graph Mixture of Experts: Learning on Large-Scale Graphs with Explicit
Diversity Modeling [60.0185734837814]
グラフニューラルネットワーク(GNN)は、グラフデータからの学習に広く応用されている。
GNNの一般化能力を強化するため、グラフ強化のような技術を用いて、トレーニンググラフ構造を増強することが慣例となっている。
本研究では,GNNにMixture-of-Experts(MoE)の概念を導入する。
論文 参考訳(メタデータ) (2023-04-06T01:09:36Z) - From Node Interaction to Hop Interaction: New Effective and Scalable
Graph Learning Paradigm [25.959580336262004]
本稿では,制約に同時に対処する新しいホップ相互作用パラダイムを提案する。
中心となる考え方は、ノード間のインタラクションターゲットを、各ノード内で事前処理されたマルチホップ機能に変換することである。
グラフの幅広い領域、スケール、滑らかさにおいて、12のベンチマークデータセットに対して広範な実験を行う。
論文 参考訳(メタデータ) (2022-11-21T11:29:48Z) - 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) - Enhance Information Propagation for Graph Neural Network by
Heterogeneous Aggregations [7.3136594018091134]
グラフニューラルネットワークは、ディープラーニングの成功の継続として出現している。
ヘテロジニアスアグリゲーションを組み合わせることで,GNN層間の情報伝達を促進することを提案する。
我々は,多くのグラフ分類ベンチマークにおいて,HAG-Netの有効性を実証的に検証した。
論文 参考訳(メタデータ) (2021-02-08T08:57:56Z) - Node2Seq: Towards Trainable Convolutions in Graph Neural Networks [59.378148590027735]
今回提案するグラフネットワーク層であるNode2Seqは,隣接ノードの重みを明示的に調整可能なノード埋め込みを学習する。
対象ノードに対して,当手法は注意メカニズムを介して隣接ノードをソートし,さらに1D畳み込みニューラルネットワーク(CNN)を用いて情報集約のための明示的な重み付けを行う。
また, 特徴学習のための非局所的情報を, 注意スコアに基づいて適応的に組み込むことを提案する。
論文 参考訳(メタデータ) (2021-01-06T03:05:37Z) - Policy-GNN: Aggregation Optimization for Graph Neural Networks [60.50932472042379]
グラフニューラルネットワーク(GNN)は、局所的なグラフ構造をモデル化し、隣人からの情報を集約することで階層的なパターンを捉えることを目的としている。
複雑なグラフとスパースな特徴を与えられた各ノードに対して効果的なアグリゲーション戦略を開発することは難しい課題である。
本稿では,GNNのサンプリング手順とメッセージパッシングを複合学習プロセスにモデル化するメタ政治フレームワークであるPolicy-GNNを提案する。
論文 参考訳(メタデータ) (2020-06-26T17:03:06Z)
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。