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: 翻訳完了
- 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
- Disentangled Generative Graph Representation Learning [51.59824683232925]
本稿では,自己教師型学習フレームワークであるDiGGR(Disentangled Generative Graph Representation Learning)を紹介する。
潜伏要因を学習し、それをグラフマスクモデリングのガイドとして活用することを目的としている。
2つの異なるグラフ学習タスクのための11の公開データセットの実験は、DiGGRが従来よりも一貫して多くの自己教師付きメソッドを上回っていることを示している。
論文 参考訳（メタデータ） (2024-08-24T05:13:02Z) - A Survey of Data-Efficient Graph Learning [16.053913182723143]
研究フロンティアとして,データ効率グラフ学習(DEGL)の新たな概念を紹介した。
我々は、自己教師付きグラフ学習、半教師付きグラフ学習、少数ショットグラフ学習など、いくつかの重要な側面に関する最近の進歩を体系的にレビューした。
論文 参考訳（メタデータ） (2024-02-01T09:28:48Z) - Towards Graph Foundation Models: A Survey and Beyond [66.37994863159861]
ファンデーションモデルは、さまざまな人工知能アプリケーションにおいて重要なコンポーネントとして現れてきた。
基礎モデルがグラフ機械学習研究者を一般化し、適応させる能力は、新しいグラフ学習パラダイムを開発する可能性について議論する。
本稿では,グラフ基礎モデル(GFM)の概念を紹介し,その重要な特徴と基礎技術について概説する。
論文 参考訳（メタデータ） (2023-10-18T09:31:21Z) - A Comprehensive Survey on Deep Graph Representation Learning [26.24869157855632]
グラフ表現学習は、高次元スパースグラフ構造化データを低次元密度ベクトルに符号化することを目的としている。
従来の手法ではモデル能力に制限があり、学習性能に制限がある。
深層グラフ表現学習は、浅い(伝統的な)方法よりも大きな可能性と利点を示している。
論文 参考訳（メタデータ） (2023-04-11T08:23:52Z) - State of the Art and Potentialities of Graph-level Learning [54.68482109186052]
グラフレベルの学習は、比較、回帰、分類など、多くのタスクに適用されている。
グラフの集合を学習する伝統的なアプローチは、サブストラクチャのような手作りの特徴に依存している。
ディープラーニングは、機能を自動的に抽出し、グラフを低次元表現に符号化することで、グラフレベルの学習をグラフの規模に適応させるのに役立っている。
論文 参考訳（メタデータ） (2023-01-14T09:15:49Z) - A Survey of Deep Graph Clustering: Taxonomy, Challenge, Application, and
Open Resource [87.7460720701592]
本稿では, この分野における公式定義, 評価, 開発について紹介する。
ディープグラフクラスタリング手法の分類は,グラフタイプ,ネットワークアーキテクチャ,学習パラダイム,クラスタリング手法など,4つの異なる基準に基づいて提示される。
コンピュータビジョン、自然言語処理、レコメンデーションシステム、ソーシャルネットワーク分析、バイオインフォマティクス、医学を含む6分野におけるディープグラフクラスタリング手法の適用について述べる。
論文 参考訳（メタデータ） (2022-11-23T11:31:11Z) - Graph Pooling for Graph Neural Networks: Progress, Challenges, and
Opportunities [128.55790219377315]
グラフニューラルネットワークは多くのグラフレベルのタスクの主要なアーキテクチャとして登場した。
グラフプーリングは、グラフ全体の全体的グラフレベル表現を得るためには不可欠である。
論文 参考訳（メタデータ） (2022-04-15T04:02:06Z) - 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) - Hyperbolic Graph Neural Networks: A Review of Methods and Applications [55.5502008501764]
グラフニューラルネットワークは、従来のニューラルネットワークをグラフ構造化データに一般化する。
グラフ関連学習におけるユークリッドモデルの性能は、ユークリッド幾何学の表現能力によって依然として制限されている。
近年,木のような構造を持つグラフデータ処理や,ゆるい分布の処理において,双曲空間が人気が高まっている。
論文 参考訳（メタデータ） (2022-02-28T15:08:48Z) - A Systematic Survey on Deep Generative Models for Graph Generation [16.546379779385575]
グラフ生成は与えられたグラフの分布を学習し、より新しいグラフを生成する。
グラフ生成のための深部生成モデルの最近の進歩は、生成されたグラフの忠実性を改善するための重要なステップである。
本稿では,グラフ生成のための深部生成モデル分野における文献の概要について概説する。
論文 参考訳（メタデータ） (2020-07-13T20:56:27Z)
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。