Fugu-MT 論文翻訳(概要): Benchmarking Graph Neural Networks on Link Prediction

論文の概要: Benchmarking Graph Neural Networks on Link Prediction

arxiv url: http://arxiv.org/abs/2102.12557v1
Date: Wed, 24 Feb 2021 20:57:16 GMT
ステータス: 翻訳完了
システム内更新日: 2021-02-27 08:02:52.116775
Title: Benchmarking Graph Neural Networks on Link Prediction
Title（参考訳）: リンク予測に基づくグラフニューラルネットワークのベンチマーク
Authors: Xing Wang, Alexander Vinel
Abstract要約: リンク予測のための異なるデータセット上で,既存のグラフニューラルネットワーク(GNN)モデルをベンチマークする。実験により,これらのGNNアーキテクチャは,リンク予測タスクの様々なベンチマークでも同様に動作することを示す。
参考スコア（独自算出の注目度）: 80.2049358846658
License: http://creativecommons.org/publicdomain/zero/1.0/
Abstract: In this paper, we benchmark several existing graph neural network (GNN) models on different datasets for link predictions. In particular, the graph convolutional network (GCN), GraphSAGE, graph attention network (GAT) as well as variational graph auto-encoder (VGAE) are implemented dedicated to link prediction tasks, in-depth analysis are performed, and results from several different papers are replicated, also a more fair and systematic comparison are provided. Our experiments show these GNN architectures perform similarly on various benchmarks for link prediction tasks.
Abstract（参考訳）: 本稿では,既存のグラフニューラルネットワーク(gnn)モデルを,異なるデータセット上でリンク予測のためにベンチマークする。特に、グラフ畳み込みネットワーク(GCN)、グラフSAGE、グラフ注意ネットワーク(GAT)、変分グラフ自動エンコーダ(VGAE)は、リンク予測タスク専用に実装され、詳細な分析が行われ、いくつかの異なる論文の結果が複製され、より公正で体系的な比較が提供されます。実験により,これらのGNNアーキテクチャは,リンク予測タスクの様々なベンチマークでも同様に動作することを示す。

関連論文リスト

Graph Attention for Heterogeneous Graphs with Positional Encoding [0.0]
グラフニューラルネットワーク(GNN)は、グラフデータモデリングのデファクトスタンダードとして登場した。この研究は、異種グラフの最も効果的な方法を特定するために、様々なGNNアーキテクチャをベンチマークする。その結果,これらの作業においてグラフ注意ネットワークが優れていることがわかった。
論文参考訳（メタデータ） (2025-04-03T18:00:02Z)
Scalable Weibull Graph Attention Autoencoder for Modeling Document Networks [50.42343781348247]
解析条件後部を解析し,推論精度を向上させるグラフポアソン因子分析法(GPFA)を開発した。また,GPFAを多層構造に拡張したグラフPoisson gamma belief Network (GPGBN) を用いて,階層的な文書関係を複数の意味レベルで捉える。本モデルでは,高品質な階層型文書表現を抽出し,様々なグラフ解析タスクにおいて有望な性能を実現する。
論文参考訳（メタデータ） (2024-10-13T02:22:14Z)
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)
Neural Tangent Kernels Motivate Graph Neural Networks with Cross-Covariance Graphs [94.44374472696272]
グラフニューラルネットワーク(GNN)の文脈におけるNTKとアライメントについて検討する。その結果、2層GNNのアライメントの最適性に関する理論的保証が確立された。これらの保証は、入力と出力データの相互共分散の関数であるグラフシフト演算子によって特徴づけられる。
論文参考訳（メタデータ） (2023-10-16T19:54:21Z)
DURENDAL: Graph deep learning framework for temporal heterogeneous networks [0.5156484100374057]
時間的異種ネットワーク(THN)は、多くの現実世界の応用を特徴付ける進化的ネットワークである。 THNのためのグラフ深層学習フレームワークであるDURENDALを提案する。
論文参考訳（メタデータ） (2023-09-30T10:46:01Z)
Analysis of different temporal graph neural network configurations on dynamic graphs [0.0]
本研究の目的は,動的グラフ上での空間的時間的依存構造学習の質的解析を行うことにより,文献のギャップを解消することである。優れたTGNの異なる変種について広範囲にわたるアブレーション研究を行い、その性能に寄与する主要な要因を同定する。これらの目的を達成することで、動的グラフ解析のためのTGNの設計と最適化に関する貴重な知見を提供する。
論文参考訳（メタデータ） (2023-05-02T00:07:33Z)
Generative Graph Neural Networks for Link Prediction [13.643916060589463]
欠落したリンクを推測したり、観測されたグラフに基づいて急激なリンクを検出することは、グラフデータ分析における長年の課題である。本稿では,GraphLPと呼ばれるネットワーク再構成理論に基づく,新しい,根本的に異なるリンク予測アルゴリズムを提案する。リンク予測に使用される識別ニューラルネットワークモデルとは異なり、GraphLPは生成可能であり、ニューラルネットワークベースのリンク予測の新しいパラダイムを提供する。
論文参考訳（メタデータ） (2022-12-31T10:07:19Z)
Data-Driven Learning of Geometric Scattering Networks [74.3283600072357]
最近提案された幾何散乱変換の緩和に基づく新しいグラフニューラルネットワーク(GNN)モジュールを提案する。我々の学習可能な幾何散乱(LEGS)モジュールは、ウェーブレットの適応的なチューニングを可能にし、学習された表現に帯域通過の特徴が現れるように促す。
論文参考訳（メタデータ） (2020-10-06T01:20:27Z)
A comparative study of similarity-based and GNN-based link prediction approaches [1.0441880303257467]
グラフニューラルネットワーク(GNN)は、グラフ内のリンク予測タスクに使用できるグラフから隠れた特徴を学習することができる。本稿では、同次グラフの領域における類似性とGNNに基づくリンク予測手法について検討する。
論文参考訳（メタデータ） (2020-08-20T10:41:53Z)
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。