論文の概要: MagNet: A Magnetic Neural Network for Directed Graphs

• arxiv url: http://arxiv.org/abs/2102.11391v1
• Date: Mon, 22 Feb 2021 22:40:57 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-24 13:57:02.143296
• Title: MagNet: A Magnetic Neural Network for Directed Graphs
• Title（参考訳）: MagNet: 方向性グラフのための磁気ニューラルネットワーク
• Authors: Xitong Zhang and Nathan Brugnone and Michael Perlmutter and Matthew Hirn
• Abstract要約: MagNet は、磁気ラプラシアンと呼ばれる複素エルミト行列に基づく有向グラフのスペクトル GNN である。 我々は,MagNetの性能が有向グラフノード分類およびリンク予測タスクにおける他のスペクトルGNNを上回ることを示す。
• 参考スコア（独自算出の注目度）: 3.5557219875516655
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The prevalence of graph-based data has spurred the rapid development of graph neural networks (GNNs) and related machine learning algorithms. Yet, despite the many data sets naturally modeled as directed graphs, including citation, website, and traffic networks, the vast majority of this research focuses on undirected graphs. In this paper, we propose MagNet, a spectral GNN for directed graphs based on a complex Hermitian matrix known as the magnetic Laplacian. This matrix encodes undirected geometric structure in the magnitude of its entries and directional information in the phase of its entries. A "charge" parameter attunes spectral information to variation among directed cycles. We show that MagNet's performance exceeds other spectral GNNs on directed graph node classification and link prediction tasks for a variety of datasets and exceeds commonly used spatial GNNs on a majority of such. The underlying principles of MagNet are such that it can be adapted to other spectral GNN architectures.
• Abstract（参考訳）: グラフベースのデータの普及は、グラフニューラルネットワーク(gnns)と関連する機械学習アルゴリズムの急速な発展を促した。 しかし、引用、ウェブサイト、トラフィックネットワークなど、自然に有向グラフとしてモデル化された多くのデータセットにもかかわらず、この研究の大部分は無向グラフに焦点を当てている。 本稿では、磁気ラプラシアンとして知られる複素エルミート行列に基づく有向グラフのスペクトルGNNであるMagNetを提案する。 この行列は、そのエントリの大きさとエントリの段階での方向情報の無方向幾何学構造を符号化する。 チャージ」パラメータは、有向サイクル間の変動にスペクトル情報を調整する。 本稿では、MagNetのパフォーマンスが、有向グラフノード分類およびリンク予測タスクにおける他のスペクトルGNNを超え、その大多数で一般的に使用される空間GNNを超えることを示した。 MagNetの根底にある原則は、他のスペクトルGNNアーキテクチャに適応できることである。

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)
• Training Graph Neural Networks on Growing Stochastic Graphs [114.75710379125412]
  グラフニューラルネットワーク(GNN)は、ネットワーク化されたデータの意味のあるパターンを活用するために、グラフ畳み込みに依存している。 我々は,成長するグラフ列の極限オブジェクトであるグラフオンを利用して,非常に大きなグラフ上のGNNを学習することを提案する。
  論文  参考訳（メタデータ） (2022-10-27T16:00:45Z)
• A Magnetic Framelet-Based Convolutional Neural Network for Directed Graphs [33.36530820082491]
  我々は、有向グラフ(グラフ)のためのフレームレットベースのスペクトルGCNNであるFramelet-MagNetを紹介する。 このモデルは、フィルタのためのより洗練された表現を形成するために、信号にフレームレット変換を適用している。 我々は,ノード分類,リンク予測,デノーミングにおける最先端モデルに対して,Framelet-MagNetの予測力を実証的に検証した。
  論文  参考訳（メタデータ） (2022-10-20T03:37:29Z)
• Convolutional Neural Networks on Manifolds: From Graphs and Back [122.06927400759021]
  本稿では,多様体畳み込みフィルタと点次非線形性からなる多様体ニューラルネットワーク(MNN)を提案する。 要約すると、我々は大きなグラフの極限として多様体モデルに焦点を合わせ、MNNを構築するが、それでもMNNの離散化によってグラフニューラルネットワークを復活させることができる。
  論文  参考訳（メタデータ） (2022-10-01T21:17:39Z)
• DiffWire: Inductive Graph Rewiring via the Lov\'asz Bound [1.0323063834827415]
  グラフニューラルネットワーク(GNN)は、グラフ関連タスクに対処するための競合的な結果を達成することが示されている。 MPNNは、過密、過密、過密に悩まされていると報告されている。 DiffWireは、MPNNでグラフを書き換える新しいフレームワークであり、原則的で、完全に微分可能で、パラメータフリーである。
  論文  参考訳（メタデータ） (2022-06-15T08:22:07Z)
• Overcoming Oversmoothness in Graph Convolutional Networks via Hybrid Scattering Networks [11.857894213975644]
  本稿では,従来のGCNフィルタと幾何散乱変換を用いて定義された帯域通過フィルタを組み合わせたハイブリッドグラフニューラルネットワーク(GNN)フレームワークを提案する。 理論的には, グラフからの構造情報を活用するために散乱フィルタの相補的な利点が確立され, 実験では様々な学習課題における手法の利点が示された。
  論文  参考訳（メタデータ） (2022-01-22T00:47:41Z)
• Graph Neural Networks with Learnable Structural and Positional Representations [83.24058411666483]
  任意のグラフの大きな問題は、ノードの標準位置情報の欠如である。 ノードの位置ノード(PE)を導入し、Transformerのように入力層に注入する。 両方のGNNクラスで学習可能なPEを考えると、分子データセットのパフォーマンスは2.87%から64.14%に向上する。
  論文  参考訳（メタデータ） (2021-10-15T05:59:15Z)
• Hierarchical Message-Passing Graph Neural Networks [12.207978823927386]
  本稿では,新しい階層型メッセージパッシンググラフニューラルネットワークフレームワークを提案する。 鍵となるアイデアは、フラットグラフ内のすべてのノードをマルチレベルなスーパーグラフに再編成する階層構造を生成することである。 階層型コミュニティ対応グラフニューラルネットワーク(HC-GNN)と呼ばれる,このフレームワークを実装した最初のモデルを提案する。
  論文  参考訳（メタデータ） (2020-09-08T13:11:07Z)
• Graph Neural Networks: Architectures, Stability and Transferability [176.3960927323358]
  グラフニューラルネットワーク(GNN)は、グラフでサポートされている信号のための情報処理アーキテクチャである。 これらは、個々の層がグラフ畳み込みフィルタのバンクを含む畳み込みニューラルネットワーク(CNN)の一般化である。
  論文  参考訳（メタデータ） (2020-08-04T18:57:36Z)
• Graphs, Convolutions, and Neural Networks: From Graph Filters to Graph Neural Networks [183.97265247061847]
  我々はグラフ信号処理を活用してグラフニューラルネットワーク(GNN)の表現空間を特徴付ける。 GNNにおけるグラフ畳み込みフィルタの役割について議論し、そのようなフィルタで構築されたアーキテクチャは、置換同値の基本的な性質と位相変化に対する安定性を持つことを示す。 また,ロボット群に対するリコメンデータシステムや分散型コントローラの学習におけるGNNの利用について検討した。
  論文  参考訳（メタデータ） (2020-03-08T13:02:15Z)

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。