論文の概要: Ego-based Entropy Measures for Structural Representations on Graphs

• arxiv url: http://arxiv.org/abs/2102.08735v1
• Date: Wed, 17 Feb 2021 12:55:50 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-18 14:28:06.192435
• Title: Ego-based Entropy Measures for Structural Representations on Graphs
• Title（参考訳）: egoに基づくグラフ上の構造表現のエントロピー測度
• Authors: George Dasoulas, Giannis Nikolentzos, Kevin Scaman, Aladin Virmaux, Michalis Vazirgiannis
• Abstract要約: VNEstruct は、近辺の位相のエントロピー測度に基づいて、低次元構造表現を生成する単純なアプローチである。 VNEstructは、グラフ構造情報を最適化に組み込むことなく、グラフ分類における最先端のパフォーマンスを達成できます。
• 参考スコア（独自算出の注目度）: 35.55543331773255
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Machine learning on graph-structured data has attracted high research interest due to the emergence of Graph Neural Networks (GNNs). Most of the proposed GNNs are based on the node homophily, i.e neighboring nodes share similar characteristics. However, in many complex networks, nodes that lie to distant parts of the graph share structurally equivalent characteristics and exhibit similar roles (e.g chemical properties of distant atoms in a molecule, type of social network users). A growing literature proposed representations that identify structurally equivalent nodes. However, most of the existing methods require high time and space complexity. In this paper, we propose VNEstruct, a simple approach, based on entropy measures of the neighborhood's topology, for generating low-dimensional structural representations, that is time-efficient and robust to graph perturbations. Empirically, we observe that VNEstruct exhibits robustness on structural role identification tasks. Moreover, VNEstruct can achieve state-of-the-art performance on graph classification, without incorporating the graph structure information in the optimization, in contrast to GNN competitors.
• Abstract（参考訳）: グラフ構造化データの機械学習は、グラフニューラルネットワーク(GNN)の出現により、高い研究関心を集めている。 提案するgnnのほとんどはノードホモフィリに基づいており、隣接ノードは類似した特性を持つ。 しかし、多くの複雑なネットワークでは、グラフの遠い部分にあるノードは構造的に同等の特性を共有し、同様の役割(例えば、分子内の遠い原子の化学的性質、ソーシャルネットワークユーザーのタイプ)を示す。 成長する文献は、構造的に等価なノードを識別する表現を提案した。 しかし、既存の手法のほとんどは時間と空間の複雑さを必要とする。 本論文では,グラフの摂動に対して時間効率が高く堅牢な低次元構造表現を生成するための,近傍のトポロジのエントロピー測度に基づく単純なアプローチであるVNEstructを提案する。 経験的に、VNEstructは構造的役割識別タスクに堅牢性を示す。 さらに、VNEstructはグラフ構造情報を最適化に組み込むことなく、グラフ分類における最先端のパフォーマンスを実現することができる。

関連論文リスト

• Neighbor Overlay-Induced Graph Attention Network [5.792501481702088]
  グラフニューラルネットワーク(GNN)は、グラフデータを表現できることから、大きな注目を集めている。 本研究は、次の2つのアイデアを持つ、隣接するオーバーレイ誘発グラフアテンションネットワーク(NO-GAT)を提案する。 グラフベンチマークデータセットに関する実証研究は、提案されたNO-GATが最先端モデルより一貫して優れていることを示している。
  論文  参考訳（メタデータ） (2024-08-16T15:01:28Z)
• DGNN: Decoupled Graph Neural Networks with Structural Consistency between Attribute and Graph Embedding Representations [62.04558318166396]
  グラフニューラルネットワーク(GNN)は、複雑な構造を持つグラフ上での表現学習の堅牢性を示す。 ノードのより包括的な埋め込み表現を得るために、Decoupled Graph Neural Networks (DGNN)と呼ばれる新しいGNNフレームワークが導入された。 複数のグラフベンチマークデータセットを用いて、ノード分類タスクにおけるDGNNの優位性を検証した。
  論文  参考訳（メタデータ） (2024-01-28T06:43:13Z)
• SE-GSL: A General and Effective Graph Structure Learning Framework through Structural Entropy Optimization [67.28453445927825]
  グラフニューラルネットワーク(GNN)は、構造的データ学習のデファクトソリューションである。 既存のグラフ構造学習(GSL)フレームワークには、堅牢性と解釈性がない。 本稿では、構造エントロピーと符号化木に抽象化されたグラフ階層を通して、一般的なGSLフレームワークSE-GSLを提案する。
  論文  参考訳（メタデータ） (2023-03-17T05:20:24Z)
• Semantic Graph Neural Network with Multi-measure Learning for Semi-supervised Classification [5.000404730573809]
  近年,グラフニューラルネットワーク(GNN)が注目されている。 近年の研究では、GNNはグラフの複雑な基盤構造に弱いことが示されている。 半教師付き分類のための新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-12-04T06:17:11Z)
• Simple and Efficient Heterogeneous Graph Neural Network [55.56564522532328]
  不均一グラフニューラルネットワーク(HGNN)は、不均一グラフの豊富な構造的および意味的な情報をノード表現に埋め込む強力な能力を持つ。 既存のHGNNは、同種グラフ上のグラフニューラルネットワーク(GNN)から多くのメカニズム、特に注意機構と多層構造を継承する。 本稿では,これらのメカニズムを詳細に検討し,簡便かつ効率的なヘテロジニアスグラフニューラルネットワーク(SeHGNN)を提案する。
  論文  参考訳（メタデータ） (2022-07-06T10:01:46Z)
• 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)
• Hierarchical Graph Capsule Network [78.4325268572233]
  ノード埋め込みを共同で学習し,グラフ階層を抽出できる階層型グラフカプセルネットワーク(HGCN)を提案する。 階層的表現を学ぶために、HGCNは下層カプセル(部分)と高層カプセル(全体)の間の部分的関係を特徴付ける。
  論文  参考訳（メタデータ） (2020-12-16T04:13:26Z)
• Node Similarity Preserving Graph Convolutional Networks [51.520749924844054]
  グラフニューラルネットワーク(GNN)は、ノード近傍の情報を集約し変換することで、グラフ構造とノードの特徴を探索する。 グラフ構造を利用してノード類似性を効果的かつ効率的に保存できるSimP-GCNを提案する。 本研究は,SimP-GCNが3つの分類グラフと4つの非補助グラフを含む7つのベンチマークデータセットに対して有効であることを示す。
  論文  参考訳（メタデータ） (2020-11-19T04:18:01Z)
• Graph Structural-topic Neural Network [35.27112594356742]
  Graph Convolutional Networks(GCNs)は、ノードのローカル機能を効果的に収集することで、大きな成功を収めた。 本稿では,グラフのトピックモデルを利用したGCNモデルであるGraphSTONEを提案する。 ノードの特徴と構造的トピックの特徴を統一する多視点GCNを設計し、構造的トピックを利用して集約を誘導する。
  論文  参考訳（メタデータ） (2020-06-25T09:47:21Z)
• Ego-based Entropy Measures for Structural Representations [42.37368082564481]
  VNEstructは、低次元構造ノードの埋め込みを生成するための単純なアプローチである。 提案手法は各ノードの局所近傍に焦点をあて、フォン・ノイマンエントロピー(Von Neumann entropy)を用いる。 グラフ分類タスクでは、属性付きグラフ構造を拡張ノード属性の集合に変換するために生成された構造埋め込みの利用を提案する。
  論文  参考訳（メタデータ） (2020-03-01T18:58:00Z)

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。