論文の概要: LookHops: light multi-order convolution and pooling for graph classification

• arxiv url: http://arxiv.org/abs/2012.15741v1
• Date: Mon, 28 Dec 2020 11:47:03 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-19 11:11:50.702733
• Title: LookHops: light multi-order convolution and pooling for graph classification
• Title（参考訳）: LookHops: グラフ分類のための軽量多階畳み込みとプール
• Authors: Zhangyang Gao, Haitao Lin, Stan. Z Li
• Abstract要約: 我々は、性能を改善しつつパラメータを少なくする軽量の$k$-order畳み込みとプーリングを提案する。 提案する畳み込みは、競合的な結果を提供する一方でパラメータを少なくする。 提案手法は効率と性能の点でSOTAアルゴリズムより優れている。
• 参考スコア（独自算出の注目度）: 31.04335017603163
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Convolution and pooling are the key operations to learn hierarchical representation for graph classification, where more expressive $k$-order($k>1$) method requires more computation cost, limiting the further applications. In this paper, we investigate the strategy of selecting $k$ via neighborhood information gain and propose light $k$-order convolution and pooling requiring fewer parameters while improving the performance. Comprehensive and fair experiments through six graph classification benchmarks show: 1) the performance improvement is consistent to the $k$-order information gain. 2) the proposed convolution requires fewer parameters while providing competitive results. 3) the proposed pooling outperforms SOTA algorithms in terms of efficiency and performance.
• Abstract（参考訳）: 畳み込みとプーリングはグラフ分類の階層的表現を学習する鍵となる演算であり、より表現力のある$k$-order($k>1$)法では計算コストが増加し、さらなるアプリケーションを制限する。 本稿では,近隣情報ゲインを介して$k$を選択する戦略を考察し,性能向上にともなうパラメータの少ない軽量$k$-order畳み込みとプーリングを提案する。 6つのグラフ分類ベンチマークによる包括的かつ公正な実験では、1) パフォーマンス改善は$k$-order情報ゲインと一致している。 2) 提案する畳み込みは, 競合的な結果を与える一方で, パラメータを少なくする。 3) 提案手法は効率と性能の点でSOTAアルゴリズムより優れている。

関連論文リスト

• Improved Algorithms for Neural Active Learning [74.89097665112621]
  非パラメトリックストリーミング設定のためのニューラルネットワーク(NN)ベースの能動学習アルゴリズムの理論的および経験的性能を改善する。 本研究では,SOTA(State-of-the-art (State-the-art)) 関連研究で使用されるものよりも,アクティブラーニングに適する人口減少を最小化することにより,2つの後悔の指標を導入する。
  論文  参考訳（メタデータ） (2022-10-02T05:03:38Z)
• Matching Pursuit Based Scheduling for Over-the-Air Federated Learning [67.59503935237676]
  本稿では,フェデレートラーニング手法を用いて,オーバー・ザ・エアラーニングのための低複雑さデバイススケジューリングアルゴリズムのクラスを開発する。 最先端の提案方式と比較すると,提案方式は極めて低効率なシステムである。 提案手法の有効性は,CIFARデータセットを用いた実験により確認した。
  論文  参考訳（メタデータ） (2022-06-14T08:14:14Z)
• Alternately Optimized Graph Neural Networks [33.98939289745346]
  グラフ上の半教師付き学習のための新しい最適化フレームワークを提案する。 提案手法は交互最適化アルゴリズムにより便利に解けるので,効率は大幅に向上する。
  論文  参考訳（メタデータ） (2022-06-08T01:50:08Z)
• Optimal Propagation for Graph Neural Networks [51.08426265813481]
  最適グラフ構造を学習するための二段階最適化手法を提案する。 また、時間的複雑さをさらに軽減するために、低ランク近似モデルについても検討する。
  論文  参考訳（メタデータ） (2022-05-06T03:37:00Z)
• Local Stochastic Bilevel Optimization with Momentum-Based Variance Reduction [104.41634756395545]
  具体的には、まず、決定論的勾配に基づくアルゴリズムであるFedBiOを提案する。 FedBiOの複雑性は$O(epsilon-1.5)$である。 本アルゴリズムは数値実験において,他のベースラインと比較して優れた性能を示す。
  論文  参考訳（メタデータ） (2022-05-03T16:40:22Z)
• Min-Max Bilevel Multi-objective Optimization with Applications in Machine Learning [30.25074797092709]
  本稿では,min-maxバイレベル多目的最適化フレームワークを提案する。 表現学習と超目的学習の応用を強調している。
  論文  参考訳（メタデータ） (2022-03-03T18:56:13Z)
• Reinforcement Learning Based Query Vertex Ordering Model for Subgraph Matching [58.39970828272366]
  グラフマッチングアルゴリズムは、クエリグラフの埋め込みをデータグラフGに列挙する。 マッチング順序は、これらのバックトラックに基づくサブグラフマッチングアルゴリズムの時間効率において重要な役割を果たす。 本稿では,Reinforcement Learning (RL) と Graph Neural Networks (GNN) 技術を適用して,グラフマッチングアルゴリズムの高品質なマッチング順序を生成する。
  論文  参考訳（メタデータ） (2022-01-25T00:10:03Z)
• How to distribute data across tasks for meta-learning? [59.608652082495624]
  タスクごとのデータポイントの最適な数は予算に依存しますが、それは大きな予算のためのユニークな一定の値に収束します。 この結果から,データ収集の簡便かつ効率的な手順が示唆された。
  論文  参考訳（メタデータ） (2021-03-15T15:38:47Z)
• Optimistic search strategy: Change point detection for large-scale data via adaptive logarithmic queries [1.3212010735248336]
  変更点検出は、データセグメント化時の適合性の改善を記述したゲイン関数の最大値の探索として、しばしば定式化される。 我々は、ゲイン関数の特定の構造を利用した楽観的な探索戦略を$O(log T)$で提案する。
  論文  参考訳（メタデータ） (2020-10-20T11:09:52Z)
• DHOG: Deep Hierarchical Object Grouping [0.0]
  本研究では,相互情報量(勾配最適化など)を最大化するための欲求的あるいは局所的手法が,相互情報量規準の局所的最適性を発見することを示す。 本稿では,画像の多数の異なる表現を階層的順序で計算するディープ階層的オブジェクトグループ化(DHOG)を提案する。 これらの表現は、下層のオブジェクトクラスにグループ化する下流のタスクとよく一致している。
  論文  参考訳（メタデータ） (2020-03-13T14:11:48Z)

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。