論文の概要: Autobahn: Automorphism-based Graph Neural Nets
- arxiv url: http://arxiv.org/abs/2103.01710v1
- Date: Tue, 2 Mar 2021 13:34:29 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-03 16:13:51.175528
- Title: Autobahn: Automorphism-based Graph Neural Nets
- Title（参考訳）: Autobahn: 自己同型に基づくグラフニューラルネットワーク
- Authors: Erik Henning Thiede, Wenda Zhou, Risi Kondor
- Abstract要約: 自己同型グラフニューラルネットワーク(Autobahn)を導入する。
Autobahnでは、グラフをサブグラフの集合に分解し、各サブグラフの自己同型群と等価な局所畳み込みを適用する。
Autobahnを分子グラフに適用することで、最先端の結果が得られることを検証します。
- 参考スコア（独自算出の注目度）: 12.029647699164315
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We introduce Automorphism-based graph neural networks (Autobahn), a new
family of graph neural networks. In an Autobahn, we decompose the graph into a
collection of subgraphs and applying local convolutions that are equivariant to
each subgraph's automorphism group. Specific choices of local neighborhoods and
subgraphs recover existing architectures such as message passing neural
networks. However, our formalism also encompasses novel architectures: as an
example, we introduce a graph neural network that decomposes the graph into
paths and cycles. The resulting convolutions reflect the natural way that parts
of the graph can transform, preserving the intuitive meaning of convolution
without sacrificing global permutation equivariance. We validate our approach
by applying Autobahn to molecular graphs, where it achieves state-of-the-art
results.
- Abstract（参考訳）: グラフニューラルネットワークの新しいファミリーであるAutomorphismベースのグラフニューラルネットワーク(Autobahn)を紹介します。
Autobahnでは、グラフをサブグラフの集合に分解し、各サブグラフの自己同型群と等価な局所畳み込みを適用する。
ローカル地区やサブグラフの特定の選択は、メッセージパッシングニューラルネットワークなどの既存のアーキテクチャを回復する。
例として、グラフをパスとサイクルに分解するグラフニューラルネットワークを紹介します。
結果として生じる畳み込みは、グラフの一部が変換できる自然な方法を反映しており、大域的置換等分散を犠牲にすることなく畳み込みの直感的な意味を保っている。
Autobahnを分子グラフに適用することで、最先端の結果が得られることを検証します。
関連論文リスト
- Graph Neural Networks for Learning Equivariant Representations of Neural Networks [55.04145324152541]
本稿では,ニューラルネットワークをパラメータの計算グラフとして表現することを提案する。
我々のアプローチは、ニューラルネットワークグラフを多種多様なアーキテクチャでエンコードする単一モデルを可能にする。
本稿では,暗黙的ニューラル表現の分類や編集など,幅広いタスクにおける本手法の有効性を示す。
論文 参考訳（メタデータ） (2024-03-18T18:01:01Z) - 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) - Learning Graph Structure from Convolutional Mixtures [119.45320143101381]
本稿では、観測されたグラフと潜伏グラフのグラフ畳み込み関係を提案し、グラフ学習タスクをネットワーク逆(デコンボリューション)問題として定式化する。
固有分解に基づくスペクトル法の代わりに、近似勾配反復をアンロール・トランケートして、グラフデコンボリューションネットワーク(GDN)と呼ばれるパラメータ化ニューラルネットワークアーキテクチャに到達させる。
GDNは、教師付き方式でグラフの分布を学習し、損失関数を適応させることでリンク予測やエッジウェイト回帰タスクを実行し、本質的に帰納的である。
論文 参考訳（メタデータ） (2022-05-19T14:08:15Z) - A generative neural network model for random dot product graphs [1.1421942894219896]
GraphMoEは、ランダムグラフの生成モデルを学ぶための新しいアプローチである。
ニューラルネットワークは、モーメント推定器を用いて、ランダムグラフのクラスの分布と一致するように訓練される。
論文 参考訳（メタデータ） (2022-04-15T19:59:22Z) - SpeqNets: Sparsity-aware Permutation-equivariant Graph Networks [16.14454388348814]
我々は、普遍的、置換同変グラフネットワークのクラスを示す。
それらは表現性とスケーラビリティのきめ細かい制御を提供し、グラフの幅に適応する。
これらのアーキテクチャにより、標準的な高階グラフネットワークに比べて計算時間が大幅に短縮される。
論文 参考訳（メタデータ） (2022-03-25T21:17:09Z) - Graph Kernel Neural Networks [53.91024360329517]
本稿では、グラフ上の内部積を計算するカーネル関数であるグラフカーネルを用いて、標準畳み込み演算子をグラフ領域に拡張することを提案する。
これにより、入力グラフの埋め込みを計算する必要のない完全に構造的なモデルを定義することができる。
私たちのアーキテクチャでは,任意の種類のグラフカーネルをプラグインすることが可能です。
論文 参考訳（メタデータ） (2021-12-14T14:48:08Z) - Graph Representation Learning for Road Type Classification [13.227651826285014]
本稿では,最先端のグラフ畳み込みニューラルネットワークを用いた道路網のグラフ表現に対する学習に基づくアプローチを提案する。
われわれのアプローチは、オープンストリートマップから17都市の現実的な道路網に適用されている。
論文 参考訳（メタデータ） (2021-07-16T09:32:58Z) - Dirichlet Graph Variational Autoencoder [65.94744123832338]
本稿では,グラフクラスタメンバシップを潜在因子とするDGVAE(Dirichlet Graph Variational Autoencoder)を提案する。
バランスグラフカットにおける低パス特性により、入力グラフをクラスタメンバシップにエンコードする、Heattsと呼ばれるGNNの新しい変種を提案する。
論文 参考訳（メタデータ） (2020-10-09T07:35:26Z) - Natural Graph Networks [80.77570956520482]
より一般的な自然性の概念がグラフネットワークを適切に定義するのに十分であることを示す。
グローバルおよびローカルな自然グラフネットワークを定義し、後者は従来のメッセージパッシンググラフニューラルネットワークと同じくらいスケーラブルである。
論文 参考訳（メタデータ） (2020-07-16T14:19:06Z) - Convolutional Kernel Networks for Graph-Structured Data [37.13712126432493]
我々は,多層グラフカーネルのファミリーを導入し,グラフ畳み込みニューラルネットワークとカーネルメソッドの新たなリンクを確立する。
提案手法は,グラフをカーネル特徴写像の列として表現することにより,畳み込みカーネルネットワークをグラフ構造データに一般化する。
我々のモデルは、大規模データに対してエンドツーエンドでトレーニングすることもでき、新しいタイプのグラフ畳み込みニューラルネットワークをもたらす。
論文 参考訳（メタデータ） (2020-03-11T09:44:03Z) - A Convolutional Neural Network into graph space [5.6326241162252755]
本稿では,グラフ空間に直接定義した新しい畳み込みニューラルネットワークアーキテクチャを提案する。
我々はそのユーザビリティをバックプロパゲーションの文脈で示す。
グラフ領域の変化と他のユークリッドおよび非ユークリッドの畳み込みアーキテクチャの改善に関して堅牢性を示す。
論文 参考訳（メタデータ） (2020-02-20T15:14:21Z)
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。