Fugu-MT 論文翻訳(概要): Generating a Doppelganger Graph: Resembling but Distinct

論文の概要: Generating a Doppelganger Graph: Resembling but Distinct

arxiv url: http://arxiv.org/abs/2101.09593v1
Date: Sat, 23 Jan 2021 22:08:27 GMT
ステータス: 処理完了
システム内更新日: 2021-03-19 10:39:58.350639
Title: Generating a Doppelganger Graph: Resembling but Distinct
Title（参考訳）: Doppelganger グラフの生成 - 組み立ては可能だが決定性
Authors: Yuliang Ji, Ru Huang, Jie Chen, Yuanzhe Xi
Abstract要約: 本論文では,与えられたグラフ特性に類似したドッペルガンガーグラフを生成する手法を提案する。このアプローチは、グラフ表現学習、生成的敵ネットワーク、およびグラフ実現アルゴリズムのオーケストレーションである。
参考スコア（独自算出の注目度）: 5.618335078130568
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Deep generative models, since their inception, have become increasingly more capable of generating novel and perceptually realistic signals (e.g., images and sound waves). With the emergence of deep models for graph structured data, natural interests seek extensions of these generative models for graphs. Successful extensions were seen recently in the case of learning from a collection of graphs (e.g., protein data banks), but the learning from a single graph has been largely under explored. The latter case, however, is important in practice. For example, graphs in financial and healthcare systems contain so much confidential information that their public accessibility is nearly impossible, but open science in these fields can only advance when similar data are available for benchmarking. In this work, we propose an approach to generating a doppelganger graph that resembles a given one in many graph properties but nonetheless can hardly be used to reverse engineer the original one, in the sense of a near zero edge overlap. The approach is an orchestration of graph representation learning, generative adversarial networks, and graph realization algorithms. Through comparison with several graph generative models (either parameterized by neural networks or not), we demonstrate that our result barely reproduces the given graph but closely matches its properties. We further show that downstream tasks, such as node classification, on the generated graphs reach similar performance to the use of the original ones.
Abstract（参考訳）: 深層生成モデルは、その開始以来、新しく知覚的に現実的な信号(画像や音波など)を生成する能力がますます高まっている。グラフ構造化データの深いモデルが出現すると、自然の興味はグラフのこれらの生成モデルの拡張を求める。成功した拡張は、最近、グラフの集合(例えば、タンパク質データバンク)から学習する場合に見られたが、単一のグラフからの学習はほとんど調査されていない。しかし、後者のケースは実際には重要である。例えば、金融や医療システムのグラフには、公開アクセシビリティーがほぼ不可能なほど多くの機密情報が含まれているが、これらの分野のオープンサイエンスは、類似したデータがベンチマークに利用可能である場合にのみ前進することができる。本研究では,多くのグラフ特性において与えられたグラフに類似するドッペルガンガーグラフを生成するアプローチを提案するが,しかしながら,ほぼゼロのエッジ重なりという意味で,元のグラフをリバースエンジニアリングするためにはほとんど利用できない。このアプローチは、グラフ表現学習、生成的敵ネットワーク、およびグラフ実現アルゴリズムのオーケストレーションである。複数のグラフ生成モデル(ニューラルネットワークによってパラメータ化されるかどうかに関わらず)との比較により、この結果が与えられたグラフをほとんど再現しないが、その性質に密接に一致することを証明した。さらに,生成されたグラフ上のノード分類などのダウンストリームタスクが,元のグラフと同等の性能に達することを示す。

関連論文リスト

GraphMaker: Can Diffusion Models Generate Large Attributed Graphs? [8.008021732866055]
ノード属性を持つ大規模グラフは、様々な現実世界のアプリケーションでますます一般的になっている。従来のグラフ生成法は、これらの複雑な構造を扱う能力に制限がある。本稿では,大きな属性グラフを生成するために特別に設計された新しい拡散モデルであるGraphMakerを紹介する。
論文参考訳（メタデータ） (2023-10-20T22:12:46Z)
SynGraphy: Succinct Summarisation of Large Networks via Small Synthetic Representative Graphs [4.550112751061436]
大規模ネットワークデータセットの構造を視覚的に要約するSynGraphyについて述べる。入力グラフに類似した構造特性を持つために生成されたより小さなグラフを描画する。
論文参考訳（メタデータ） (2023-02-15T16:00:15Z)
Spectral Augmentations for Graph Contrastive Learning [50.149996923976836]
コントラスト学習は、監督の有無にかかわらず、表現を学習するための第一の方法として現れてきた。近年の研究では、グラフ表現学習における事前学習の有用性が示されている。本稿では,グラフの対照的な目的に対する拡張を構築する際に,候補のバンクを提供するためのグラフ変換操作を提案する。
論文参考訳（メタデータ） (2023-02-06T16:26:29Z)
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)
Similarity-aware Positive Instance Sampling for Graph Contrastive Pre-training [82.68805025636165]
トレーニングセット内の既存グラフから直接正のグラフインスタンスを選択することを提案する。私たちの選択は、特定のドメイン固有のペアワイズ類似度測定に基づいています。さらに,ノードを動的にマスキングしてグラフ上に均等に分配する適応ノードレベルの事前学習手法を開発した。
論文参考訳（メタデータ） (2022-06-23T20:12:51Z)
CGMN: A Contrastive Graph Matching Network for Self-Supervised Graph Similarity Learning [65.1042892570989]
自己教師付きグラフ類似性学習のためのコントラストグラフマッチングネットワーク(CGMN)を提案する。我々は,効率的なノード表現学習のために,クロスビューインタラクションとクロスグラフインタラクションという2つの戦略を用いる。我々はノード表現をグラフ類似性計算のためのプール演算によりグラフレベル表現に変換する。
論文参考訳（メタデータ） (2022-05-30T13:20:26Z)
Explanation Graph Generation via Pre-trained Language Models: An Empirical Study with Contrastive Learning [84.35102534158621]
エンドツーエンドで説明グラフを生成する事前学習言語モデルについて検討する。本稿では,ノードとエッジの編集操作によるグラフ摂動の簡易かつ効果的な方法を提案する。提案手法は,説明グラフの構造的精度と意味的精度を両立させる。
論文参考訳（メタデータ） (2022-04-11T00:58:27Z)
Synthetic Graph Generation to Benchmark Graph Learning [7.914804101579097]
グラフ学習アルゴリズムは多くのグラフ解析タスクで最先端のパフォーマンスを達成した。 1つの理由は、グラフ学習アルゴリズムのパフォーマンスをベンチマークするために実際に使用されるデータセットが極めて少ないためである。本稿では,合成グラフの生成と,制御シナリオにおけるグラフ学習アルゴリズムの挙動について検討する。
論文参考訳（メタデータ） (2022-04-04T10:48:32Z)
Multilevel Graph Matching Networks for Deep Graph Similarity Learning [79.3213351477689]
グラフ構造オブジェクト間のグラフ類似性を計算するためのマルチレベルグラフマッチングネットワーク(MGMN)フレームワークを提案する。標準ベンチマークデータセットの欠如を補うため、グラフグラフ分類とグラフグラフ回帰タスクの両方のためのデータセットセットを作成し、収集した。総合的な実験により、MGMNはグラフグラフ分類とグラフグラフ回帰タスクの両方において、最先端のベースラインモデルより一貫して優れていることが示された。
論文参考訳（メタデータ） (2020-07-08T19:48:19Z)
Non-Parametric Graph Learning for Bayesian Graph Neural Networks [35.88239188555398]
グラフ隣接行列の後方分布を構築するための新しい非パラメトリックグラフモデルを提案する。このモデルの利点を,ノード分類,リンク予測,レコメンデーションという3つの異なる問題設定で示す。
論文参考訳（メタデータ） (2020-06-23T21:10:55Z)
Machine Learning on Graphs: A Model and Comprehensive Taxonomy [22.73365477040205]
グラフニューラルネットワーク、ネットワーク埋め込み、グラフ正規化モデルの間のギャップを埋める。具体的には、グラフ上の半教師付き学習のための一般的なアルゴリズムを一般化するグラフデコーダモデル( GraphEDM)を提案する。
論文参考訳（メタデータ） (2020-05-07T18:00:02Z)

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。