論文の概要: Dissecting the Diffusion Process in Linear Graph Convolutional Networks

• arxiv url: http://arxiv.org/abs/2102.10739v1
• Date: Mon, 22 Feb 2021 02:45:59 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-23 14:50:57.561221
• Title: Dissecting the Diffusion Process in Linear Graph Convolutional Networks
• Title（参考訳）: 線形グラフ畳み込みネットワークにおける拡散過程の分割
• Authors: Yifei Wang, Yisen Wang, Jiansheng Yang, Zhouchen Lin
• Abstract要約: 近年、グラフ畳み込みネットワーク(GCN)が注目を集めています。 最近の研究は、線形GCNが元の非線形GCNに匹敵する性能が得られることを示している。 DGC(Decoupled Graph Convolution)を提案し,端末時間と機能伝播ステップを分離する。
• 参考スコア（独自算出の注目度）: 71.30132908130581
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graph Convolutional Networks (GCNs) have attracted more and more attentions in recent years. A typical GCN layer consists of a linear feature propagation step and a nonlinear transformation step. Recent works show that a linear GCN can achieve comparable performance to the original non-linear GCN while being much more computationally efficient. In this paper, we dissect the feature propagation steps of linear GCNs from a perspective of continuous graph diffusion, and analyze why linear GCNs fail to benefit from more propagation steps. Following that, we propose Decoupled Graph Convolution (DGC) that decouples the terminal time and the feature propagation steps, making it more flexible and capable of exploiting a very large number of feature propagation steps. Experiments demonstrate that our proposed DGC improves linear GCNs by a large margin and makes them competitive with many modern variants of non-linear GCNs.
• Abstract（参考訳）: 近年、グラフ畳み込みネットワーク(GCN)が注目を集めています。 典型的なGCN層は、線形特徴伝搬ステップと非線形変換ステップからなる。 近年の研究では、線形GCNは元の非線形GCNに匹敵する性能を達成でき、計算効率ははるかに高いことが示されている。 本稿では, 連続グラフ拡散の観点から, 線形GCNの特徴伝搬ステップを識別し, 線形GCNがさらなる伝播ステップの恩恵を受けることができない理由を分析する。 その後,DGC(Decoupled Graph Convolution)を提案し,端末時間と機能伝搬ステップを分離することで,非常に多くの機能伝搬ステップを柔軟かつ活用することができるようにした。 実験により,提案したDGCはリニアGCNを大きなマージンで改善し,最近の多くの非線形GCNと競合することを示した。

関連論文リスト

• Point Cloud Denoising With Fine-Granularity Dynamic Graph Convolutional Networks [58.050130177241186]
  ノイズの摂動は、しばしば3次元の点雲を破損させ、表面の再構成、レンダリング、さらなる処理といった下流のタスクを妨げる。 本稿では,GDGCNと呼ばれる粒度動的グラフ畳み込みネットワークについて紹介する。
  論文  参考訳（メタデータ） (2024-11-21T14:19:32Z)
• L^2GC:Lorentzian Linear Graph Convolutional Networks for Node Classification [12.69417276887153]
  ローレンツ線形GCNの新しいフレームワークを提案する。 グラフノードの学習した特徴を双曲空間にマッピングする。 次に、ロレンツ線形特徴変換を行い、基礎となる木のようなデータ構造をキャプチャする。
  論文  参考訳（メタデータ） (2024-03-10T02:16:13Z)
• LightGCN: Evaluated and Enhanced [0.0]
  LightGCNは埋め込みの線形伝播を可能にし、性能を向上させる。 元の結果を再現し、多様なデータセットやメトリクスに対するLightGCNの堅牢性を評価し、LightGCNにおける信号伝搬の増大としてグラフ拡散を探索する。
  論文  参考訳（メタデータ） (2023-12-17T15:18:18Z)
• Old can be Gold: Better Gradient Flow can Make Vanilla-GCNs Great Again [96.4999517230259]
  我々は,深いGCNの準標準性能を理解するために,勾配流の新しい視点を提供する。 スキップ接続を用いたバニラGCNの勾配誘導動的スイッチングを提案する。 我々の手法は、彼らのパフォーマンスを大幅に向上させ、快適に競争し、多くの最先端の手法より優れています。
  論文  参考訳（メタデータ） (2022-10-14T21:30:25Z)
• Optimization-Induced Graph Implicit Nonlinear Diffusion [64.39772634635273]
  我々はGIND(Graph Implicit Diffusion)と呼ばれる新しいグラフ畳み込み変種を提案する。 GINDは暗黙的に隣人の無限のホップにアクセスでき、非線型拡散を伴う特徴を適応的に集約することで過度な平滑化を防いでいる。 学習された表現は、明示的な凸最適化目標の最小化として定式化できることを示す。
  論文  参考訳（メタデータ） (2022-06-29T06:26:42Z)
• Orthogonal Graph Neural Networks [53.466187667936026]
  グラフニューラルネットワーク(GNN)は,ノード表現の学習において優れていたため,大きな注目を集めている。 より畳み込み層を積み重ねることで、GNNのパフォーマンスが大幅に低下する。 本稿では,モデルトレーニングの安定化とモデル一般化性能の向上のために,既存のGNNバックボーンを拡張可能なOrtho-GConvを提案する。
  論文  参考訳（メタデータ） (2021-09-23T12:39:01Z)
• Directed Graph Convolutional Network [15.879411956536885]
  スペクトルベースのグラフ畳み込みを1階と2階の近接を利用して有向グラフに拡張する。 DGCNと呼ばれる新しいGCNモデルは、有向グラフ上で表現を学ぶように設計されている。
  論文  参考訳（メタデータ） (2020-04-29T06:19:10Z)
• Scattering GCN: Overcoming Oversmoothness in Graph Convolutional Networks [0.0]
  グラフ畳み込みネットワーク(GCN)は,構造認識の特徴を抽出することによって,グラフデータ処理において有望な結果を示した。 本稿では、幾何学的散乱変換と残差畳み込みによる従来のGCNの増大を提案する。 前者はグラフ信号の帯域通過フィルタリングが可能であり、GCNでしばしば発生する過度な過度な処理を緩和する。
  論文  参考訳（メタデータ） (2020-03-18T18:03:08Z)
• Cross-GCN: Enhancing Graph Convolutional Network with $k$-Order Feature Interactions [153.6357310444093]
  Graph Convolutional Network(GCN)は,グラフデータの学習と推論を行う新興技術である。 我々は、GCNの既存の設計がクロスフィーチャをモデリングし、クロスフィーチャが重要であるタスクやデータに対してGCNの効率を損なうことを論じている。 我々は、任意の次交叉特徴を、特徴次元と順序サイズに線形に複雑にモデル化した、クロスフィーチャーグラフ畳み込みという新しい演算子を設計する。
  論文  参考訳（メタデータ） (2020-03-05T13:05:27Z)

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。