論文の概要: NODE-SELECT: A Graph Neural Network Based On A Selective Propagation
Technique
- arxiv url: http://arxiv.org/abs/2102.08588v1
- Date: Wed, 17 Feb 2021 05:51:11 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-19 04:14:30.441439
- Title: NODE-SELECT: A Graph Neural Network Based On A Selective Propagation
Technique
- Title(参考訳): NODE-SELECT : 選択的伝播法に基づくグラフニューラルネットワーク
- Authors: Steph-Yves Louis, Alireza Nasiri, Fatima J. Rolland, Cameron Mitro,
and Jianjun Hu
- Abstract要約: NODE-SELECTは、最適な共有フィットノードのみが情報を伝達できるサブセット層を使用する効率的なグラフニューラルネットワークです。
提案手法であるNODE-SELECTは,各層に並列に積み重ねる選択機構を持つことで,拡散するノイズを低減し,実世界グラフに見られる制限共有の概念を適応させることができる。
- 参考スコア(独自算出の注目度): 0.48489389711734543
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: While there exists a wide variety of graph neural networks (GNN) for node
classification, only a minority of them adopt mechanisms that effectively
target noise propagation during the message-passing procedure. Additionally, a
very important challenge that significantly affects graph neural networks is
the issue of scalability which limits their application to larger graphs. In
this paper we propose our method named NODE-SELECT: an efficient graph neural
network that uses subsetting layers which only allow the best sharing-fitting
nodes to propagate their information. By having a selection mechanism within
each layer which we stack in parallel, our proposed method NODE-SELECT is able
to both reduce the amount noise propagated and adapt the restrictive sharing
concept observed in real world graphs. Our NODE-SELECT significantly
outperformed existing GNN frameworks in noise experiments and matched
state-of-the art results in experiments without noise over different benchmark
datasets.
- Abstract(参考訳): ノード分類のための多種多様なグラフニューラルネットワーク(GNN)が存在するが、メッセージパッシング手順中に効果的にノイズ伝搬をターゲットするメカニズムを採用するのは少数のみである。
さらに、グラフニューラルネットワークに大きく影響する非常に重要な課題は、アプリケーションをより大きなグラフに制限するスケーラビリティの問題である。
本論文では,最適な共有フィットノードのみが情報を伝播できるサブセット層を用いた効率的なグラフニューラルネットワークであるNODE-SELECTを提案する。
提案手法であるNODE-SELECTは,各層に並列に積み重ねる選択機構を持つことで,拡散するノイズを低減し,実世界グラフに見られる制限共有の概念を適応させることができる。
当社のNODE-SELECTは、ノイズ実験における既存のGNNフレームワークを大幅に上回り、異なるベンチマークデータセット上のノイズのない実験における最先端の結果と一致しました。
関連論文リスト
- Spectral Greedy Coresets for Graph Neural Networks [61.24300262316091]
ノード分類タスクにおける大規模グラフの利用は、グラフニューラルネットワーク(GNN)の現実的な応用を妨げる
本稿では,GNNのグラフコアセットについて検討し,スペクトル埋め込みに基づくエゴグラフの選択により相互依存の問題を回避する。
我々のスペクトルグレディグラフコアセット(SGGC)は、数百万のノードを持つグラフにスケールし、モデル事前学習の必要性を排除し、低ホモフィリーグラフに適用する。
論文 参考訳(メタデータ) (2024-05-27T17:52:12Z) - GNN-LoFI: a Novel Graph Neural Network through Localized Feature-based
Histogram Intersection [51.608147732998994]
グラフニューラルネットワークは、グラフベースの機械学習の選択フレームワークになりつつある。
本稿では,古典的メッセージパッシングに代えて,ノード特徴の局所分布を解析するグラフニューラルネットワークアーキテクチャを提案する。
論文 参考訳(メタデータ) (2024-01-17T13:04:23Z) - A GAN Approach for Node Embedding in Heterogeneous Graphs Using Subgraph
Sampling [35.94125831564648]
我々の研究は、グラフニューラルネットワーク(GNN)を用いた異種グラフのクラス不均衡問題に対処する。
本稿では,GAN(Generative Adversarial Networks)とGNN(Greative Adversarial Networks)の長所を結合し,データセットを効果的にバランスさせる合成ノードとエッジを作成する手法を提案する。
論文 参考訳(メタデータ) (2023-12-11T16:52:20Z) - Deep Graph Neural Networks via Flexible Subgraph Aggregation [50.034313206471694]
グラフニューラルネットワーク(GNN)は、グラフ構造化データから学習し、近隣情報を集約することでノードの表現を学ぶ。
本稿では,サブグラフアグリゲーションの観点から,GNNの表現力を評価する。
サブグラフアグリゲーションの異なるホップをより柔軟に活用できるサンプリングベースノードレベル残余モジュール(SNR)を提案する。
論文 参考訳(メタデータ) (2023-05-09T12:03:42Z) - Spiking Variational Graph Auto-Encoders for Efficient Graph
Representation Learning [10.65760757021534]
本稿では,効率的なグラフ表現学習のためのSNNに基づく深層生成手法,すなわちSpking Variational Graph Auto-Encoders (S-VGAE)を提案する。
我々は,複数のベンチマークグラフデータセット上でリンク予測実験を行い,この結果から,グラフ表現学習における他のANNやSNNに匹敵する性能で,より少ないエネルギーを消費することを示した。
論文 参考訳(メタデータ) (2022-10-24T12:54:41Z) - Relation Embedding based Graph Neural Networks for Handling
Heterogeneous Graph [58.99478502486377]
我々は、同種GNNが不均一グラフを扱うのに十分な能力を持つように、シンプルで効率的なフレームワークを提案する。
具体的には、エッジ型関係と自己ループ接続の重要性を埋め込むために、関係1つのパラメータのみを使用する関係埋め込みベースのグラフニューラルネットワーク(RE-GNN)を提案する。
論文 参考訳(メタデータ) (2022-09-23T05:24:18Z) - VQ-GNN: A Universal Framework to Scale up Graph Neural Networks using
Vector Quantization [70.8567058758375]
VQ-GNNは、Vector Quantization(VQ)を使用して、パフォーマンスを損なうことなく、畳み込みベースのGNNをスケールアップするための普遍的なフレームワークである。
我々のフレームワークは,グラフ畳み込み行列の低ランク版と組み合わせた量子化表現を用いて,GNNの「隣の爆発」問題を回避する。
論文 参考訳(メタデータ) (2021-10-27T11:48:50Z) - Enhance Information Propagation for Graph Neural Network by
Heterogeneous Aggregations [7.3136594018091134]
グラフニューラルネットワークは、ディープラーニングの成功の継続として出現している。
ヘテロジニアスアグリゲーションを組み合わせることで,GNN層間の情報伝達を促進することを提案する。
我々は,多くのグラフ分類ベンチマークにおいて,HAG-Netの有効性を実証的に検証した。
論文 参考訳(メタデータ) (2021-02-08T08:57:56Z) - Policy-GNN: Aggregation Optimization for Graph Neural Networks [60.50932472042379]
グラフニューラルネットワーク(GNN)は、局所的なグラフ構造をモデル化し、隣人からの情報を集約することで階層的なパターンを捉えることを目的としている。
複雑なグラフとスパースな特徴を与えられた各ノードに対して効果的なアグリゲーション戦略を開発することは難しい課題である。
本稿では,GNNのサンプリング手順とメッセージパッシングを複合学習プロセスにモデル化するメタ政治フレームワークであるPolicy-GNNを提案する。
論文 参考訳(メタデータ) (2020-06-26T17:03:06Z)
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。