論文の概要: SPAGAN: Shortest Path Graph Attention Network

• arxiv url: http://arxiv.org/abs/2101.03464v1
• Date: Sun, 10 Jan 2021 03:18:34 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-08 08:24:18.692287
• Title: SPAGAN: Shortest Path Graph Attention Network
• Title（参考訳）: SPAGAN: 最短パスグラフ注意ネットワーク
• Authors: Yiding Yang, Xinchao Wang, Mingli Song, Junsong Yuan, Dacheng Tao
• Abstract要約: グラフ畳み込みネットワーク(GCN)は最近、グラフとして表現できる非グリッド構造データを分析する可能性を示した。 本研究では,SPAGAN (Shortest Path Graph Attention Network) と呼ばれる新しいGCNモデルを提案する。
• 参考スコア（独自算出の注目度）: 187.75441278910708
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graph convolutional networks (GCN) have recently demonstrated their potential in analyzing non-grid structure data that can be represented as graphs. The core idea is to encode the local topology of a graph, via convolutions, into the feature of a center node. In this paper, we propose a novel GCN model, which we term as Shortest Path Graph Attention Network (SPAGAN). Unlike conventional GCN models that carry out node-based attentions within each layer, the proposed SPAGAN conducts path-based attention that explicitly accounts for the influence of a sequence of nodes yielding the minimum cost, or shortest path, between the center node and its higher-order neighbors. SPAGAN therefore allows for a more informative and intact exploration of the graph structure and further {a} more effective aggregation of information from distant neighbors into the center node, as compared to node-based GCN methods. We test SPAGAN on the downstream classification task on several standard datasets, and achieve performances superior to the state of the art. Code is publicly available at https://github.com/ihollywhy/SPAGAN.
• Abstract（参考訳）: グラフ畳み込みネットワーク(GCN)は、最近、グラフとして表現できる非グリッド構造データを解析する可能性を示した。 中心となる考え方は、畳み込みによってグラフの局所トポロジを中心ノードの特徴にエンコードすることである。 本稿では,最短経路グラフ注意ネットワーク(SPAGAN)と呼ばれる新しいGCNモデルを提案する。 各層内でノードベースの注意を行う従来のGCNモデルとは異なり、提案したSPAGANは、中央ノードとその上位ノード間の最小コスト(最短経路)をもたらすノード列の影響を明確に考慮したパスベースの注意を行う。 したがってSPAGANは、ノードベースのGCN法と比較して、グラフ構造のより情報的かつ無傷な探索を可能にし、さらに、より効果的な中央ノードへの情報の集約を可能にする。 複数の標準データセットの下流分類タスクにおいてSPAGANをテストし、その性能を最先端に向上させる。 コードはhttps://github.com/ihollywhy/SPAGAN.comで公開されている。

関連論文リスト

• SAILOR: Structural Augmentation Based Tail Node Representation Learning [49.19653803667422]
  グラフニューラルネットワーク(GNN)は近年,グラフの表現学習において最先端のパフォーマンスを実現している。 実世界のシナリオにおけるグラフのほとんどは、ノードの次数における長い尾の分布、すなわちグラフ内のノードの大部分は、わずかに連結されたエッジを持つ尾のノードである。 本稿では,SAILORと呼ばれる構造拡張に基づくTaIL nOde表現学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-08-13T16:04:03Z)
• Structure Enhanced Graph Neural Networks for Link Prediction [6.872826041648584]
  リンク予測のための構造拡張グラフニューラルネットワーク(SEG)を提案する。 SEGは、ターゲットノードの周囲の位相情報を通常のGNNモデルに組み込む。 OGBリンク予測データセットの実験は、SEGが最先端の結果を達成することを示す。
  論文  参考訳（メタデータ） (2022-01-14T03:49:30Z)
• SHGNN: Structure-Aware Heterogeneous Graph Neural Network [77.78459918119536]
  本稿では、上記の制約に対処する構造対応不均一グラフニューラルネットワーク(SHGNN)を提案する。 まず,メタパス内の中間ノードの局所構造情報を取得するために,特徴伝搬モジュールを利用する。 次に、ツリーアテンションアグリゲータを使用して、グラフ構造情報をメタパス上のアグリゲーションモジュールに組み込む。 最後に、メタパスアグリゲータを利用して、異なるメタパスから集約された情報を融合する。
  論文  参考訳（メタデータ） (2021-12-12T14:18:18Z)
• SStaGCN: Simplified stacking based graph convolutional networks [2.556756699768804]
  グラフ畳み込みネットワーク(GCN)は、様々なグラフ構造データ学習タスクにおいて広く研究されている強力なモデルである。 本稿では, SStaGCN (Simplified stacking based GCN) と呼ばれる新しいGCNを提案する。 SStaGCNはGCNの過密問題を効果的に軽減できることを示す。
  論文  参考訳（メタデータ） (2021-11-16T05:00:08Z)
• Reasoning Graph Networks for Kinship Verification: from Star-shaped to Hierarchical [85.0376670244522]
  階層型推論グラフネットワークの学習による顔の親和性検証の問題点について検討する。 より強力で柔軟なキャパシティを利用するために,星型推論グラフネットワーク(S-RGN)を開発した。 また、より強力で柔軟なキャパシティを利用する階層型推論グラフネットワーク(H-RGN)も開発しています。
  論文  参考訳（メタデータ） (2021-09-06T03:16:56Z)
• Schema-Aware Deep Graph Convolutional Networks for Heterogeneous Graphs [10.526065883783899]
  グラフ畳み込みネットワーク(GCN)に基づくアプローチは、複雑でグラフ構造化された問題を解決するために大きな進歩を遂げた。 我々はGCNフレームワーク「深部不均一グラフ畳み込みネットワーク(DHGCN)」を提案する。 それは異種グラフのスキーマを利用し、多くのホップを効果的に活用するために階層的アプローチを使用します。
  論文  参考訳（メタデータ） (2021-05-03T06:24:27Z)
• Semi-Supervised Node Classification by Graph Convolutional Networks and Extracted Side Information [18.07347677181108]
  本稿では,グラフ畳み込みネットワーク(GCN)による半教師付きシナリオにおけるノード分類タスクを再検討する。 目標は、明らかにされたノードラベルの周りに流通する情報のフローの恩恵を受けることだ。
  論文  参考訳（メタデータ） (2020-09-29T02:38:58Z)
• DeeperGCN: All You Need to Train Deeper GCNs [66.64739331859226]
  グラフ畳み込みネットワーク(GCN)はグラフ上での表現学習の力で注目されている。 非常に深いレイヤを積み重ねることのできる畳み込みニューラルネットワーク(CNN)とは異なり、GCNはより深く進むと、勾配の消失、過度なスムース化、過度に適合する問題に悩まされる。 本稿では,非常に深いGCNを正常かつ確実に訓練できるDeeperGCNを提案する。
  論文  参考訳（メタデータ） (2020-06-13T23:00:22Z)
• Unifying Graph Convolutional Neural Networks and Label Propagation [73.82013612939507]
  LPAとGCNの関係を特徴・ラベルの平滑化と特徴・ラベルの影響の2点の観点から検討した。 理論解析に基づいて,ノード分類のためのGCNとLCAを統一するエンドツーエンドモデルを提案する。 我々のモデルは、既存の特徴に基づく注目モデルよりもタスク指向のノードラベルに基づく学習注意重みと見なすこともできる。
  論文  参考訳（メタデータ） (2020-02-17T03:23:13Z)

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。