論文の概要: Deep Graph Generators: A Survey

• arxiv url: http://arxiv.org/abs/2012.15544v1
• Date: Thu, 31 Dec 2020 11:01:33 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-17 17:22:25.746496
• Title: Deep Graph Generators: A Survey
• Title（参考訳）: deep graph generators: 調査
• Authors: Faezeh Faez, Yassaman Ommi, Mahdieh Soleymani Baghshah, Hamid R. Rabiee
• Abstract要約: 本稿では,深層学習に基づくグラフ生成手法に関する総合的な調査を行う。 それらは、autoregressive、autoencoderベース、rlベース、adversarial、flowベースのグラフジェネレータの5つに分類される。 また、公開ソースコード、一般的に使用されるデータセット、および最も広く使用されている評価指標も提示します。
• 参考スコア（独自算出の注目度）: 8.641606056228675
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep generative models have achieved great success in areas such as image, speech, and natural language processing in the past few years. Thanks to the advances in graph-based deep learning, and in particular graph representation learning, deep graph generation methods have recently emerged with new applications ranging from discovering novel molecular structures to modeling social networks. This paper conducts a comprehensive survey on deep learning-based graph generation approaches and classifies them into five broad categories, namely, autoregressive, autoencoder-based, RL-based, adversarial, and flow-based graph generators, providing the readers a detailed description of the methods in each class. We also present publicly available source codes, commonly used datasets, and the most widely utilized evaluation metrics. Finally, we highlight the existing challenges and discuss future research directions.
• Abstract（参考訳）: 深層生成モデルは、過去数年間、画像、音声、自然言語処理などの分野で大きな成功を収めてきた。 近年,グラフに基づく深層学習,特にグラフ表現学習の進歩により,新しい分子構造発見からソーシャルネットワークのモデリングに至るまで,深層グラフ生成手法が登場している。 本稿では,ディープラーニングに基づくグラフ生成手法を包括的に調査し,それらを自己回帰型,自己エンコーダ型,自己エンコーダ型,RL型,対向型,フロー型5つのカテゴリに分類し,各クラスにおける手法の詳細な説明を提供する。 また、公開されているソースコード、一般的に使用されるデータセット、最も広く使われている評価メトリクスも提示します。 最後に,既存の課題を強調し,今後の研究方針について議論する。

関連論文リスト

• Graph-level Neural Networks: Current Progress and Future Directions [61.08696673768116]
  グラフレベルのニューラルネットワーク(GLNN、ディープラーニングベースのグラフレベルの学習法)は、高次元データのモデリングにおいて優れているため、魅力的である。 本稿では,深層ニューラルネットワーク,グラフニューラルネットワーク,グラフプール上でのGLNNを網羅する系統分類法を提案する。
  論文  参考訳（メタデータ） (2022-05-31T06:16:55Z)
• Graph Pooling for Graph Neural Networks: Progress, Challenges, and Opportunities [128.55790219377315]
  本稿では,既存のグラフプーリング手法の分類法を提案し,各カテゴリの数学的概要を示す。 グラフプーリングのアイデアを複数のドメインに組み込んだアプリケーションの概要を概説する。 本稿では,現在の研究で直面するいくつかの重要な課題について論じ,今後のグラフプーリング改善に向けた今後の方向性について考察する。
  論文  参考訳（メタデータ） (2022-04-15T04:02:06Z)
• A Survey on Graph Representation Learning Methods [7.081604594416337]
  グラフ表現学習の目的は、大きなグラフの構造と特徴を正確に捉えるグラフ表現ベクトルを生成することである。 グラフ表現学習の最も一般的な2つのカテゴリはグラフニューラルネット(GNN)とグラフニューラルネット(GNN)ベースの手法を使わずにグラフ埋め込み手法である。
  論文  参考訳（メタデータ） (2022-04-04T21:18:48Z)
• A Survey on Deep Graph Generation: Methods and Applications [22.713801558059213]
  グラフ生成は、観測されたグラフに似た分布から新しいグラフを生成することを目的としており、近年のディープラーニングモデルの発展により注目されている。 我々は,グラフ生成の既存文献について,様々な新しい手法から幅広い応用分野への総合的なレビューを行う。
  論文  参考訳（メタデータ） (2022-03-13T17:11:43Z)
• Bayesian Deep Learning for Graphs [6.497816402045099]
  論文は、この分野のほとんどのメソッドが構築される原則のレビューから始まり、続いてグラフ分類問題の研究が続く。 そこから、ディープアーキテクチャを漸進的に構築することで、グラフのディープラーニングに関する基本的なアイデアをベイジアンの世界に橋渡しします。 このフレームワークにより、離散的かつ連続的なエッジ特徴を持つグラフを考慮し、いくつかの分類タスクで最先端に達するのに十分な教師なしの埋め込みを生成することができる。
  論文  参考訳（メタデータ） (2022-02-24T20:18:41Z)
• Molecule Generation for Drug Design: a Graph Learning Perspective [106.62850884039456]
  本稿では,グラフ学習の方法論を取り入れた最先端分子(主にデノボ薬物)の設計と発見支援手法の概要について述べる。 代表的な公開データセットを提示し、生成と最適化によく利用される評価指標を要約する。
  論文  参考訳（メタデータ） (2022-02-18T14:26:23Z)
• 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)
• Self-supervised on Graphs: Contrastive, Generative,or Predictive [25.679620842010422]
  SSL(Self-supervised Learning)は、よく設計されたプリテキストタスクを通じて有益な知識を抽出するための新しいパラダイムとして登場しています。 既存のグラフSSLメソッドは、コントラスト、生成、予測の3つのカテゴリに分けられる。 また、一般的なデータセット、評価メトリクス、下流タスク、さまざまなアルゴリズムのオープンソース実装をまとめています。
  論文  参考訳（メタデータ） (2021-05-16T03:30:03Z)
• Graph Learning based Recommender Systems: A Review [111.43249652335555]
  グラフ学習ベースのレコメンダーシステム(GLRS)は、高度なグラフ学習アプローチを使用して、ユーザーの好みと意図、および推奨項目の特性をモデル化します。 本稿では,グラフに基づく表現から重要な知識を抽出し,レコメンデーションの正確性,信頼性,説明性を向上する方法について論じることにより,GLRSの体系的なレビューを行う。
  論文  参考訳（メタデータ） (2021-05-13T14:50:45Z)
• Promoting Graph Awareness in Linearized Graph-to-Text Generation [72.83863719868364]
  局所グラフ構造を符号化する線形化モデルの能力を検討する。 本研究は,モデルの暗黙のグラフ符号化の品質を高めるための解法である。 これらの消音足場は、低リソース設定における下流生成の大幅な改善につながることが分かりました。
  論文  参考訳（メタデータ） (2020-12-31T18:17:57Z)

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。