Fugu-MT 論文翻訳(概要): Adversarial Graph Disentanglement

論文の概要: Adversarial Graph Disentanglement

arxiv url: http://arxiv.org/abs/2103.07295v4
Date: Thu, 25 Jan 2024 02:42:20 GMT
ステータス: 処理完了
システム内更新日: 2024-01-26 19:09:42.054483
Title: Adversarial Graph Disentanglement
Title（参考訳）: 逆グラフの絡み合い
Authors: Shuai Zheng, Zhenfeng Zhu, Zhizhe Liu, Jian Cheng, Yao Zhao
Abstract要約: 実世界のグラフは複雑な位相構造を持ち、しばしば異なる潜在因子の相互作用によって形成される。グラフ表現学習のためのアンダーラインtextbfAdversarial underlinetextbfDisentangled underlinetextbfGraph underlinetextbfConvolutional underlinetextbfNetwork (ADGCN)を提案する。
参考スコア（独自算出の注目度）: 47.27978741175575
License: http://creativecommons.org/licenses/by-sa/4.0/
Abstract: A real-world graph has a complex topological structure, which is often formed by the interaction of different latent factors. However, most existing methods lack consideration of the intrinsic differences in relations between nodes caused by factor entanglement. In this paper, we propose an \underline{\textbf{A}}dversarial \underline{\textbf{D}}isentangled \underline{\textbf{G}}raph \underline{\textbf{C}}onvolutional \underline{\textbf{N}}etwork (ADGCN) for disentangled graph representation learning. To begin with, we point out two aspects of graph disentanglement that need to be considered, i.e., micro-disentanglement and macro-disentanglement. For them, a component-specific aggregation approach is proposed to achieve micro-disentanglement by inferring latent components that cause the links between nodes. On the basis of micro-disentanglement, we further propose a macro-disentanglement adversarial regularizer to improve the separability among component distributions, thus restricting the interdependence among components. Additionally, to reveal the topological graph structure, a diversity-preserving node sampling approach is proposed, by which the graph structure can be progressively refined in a way of local structure awareness. The experimental results on various real-world graph data verify that our ADGCN obtains more favorable performance over currently available alternatives. The source codes of ADGCN are available at \textit{\url{https://github.com/SsGood/ADGCN}}.
Abstract（参考訳）: 実世界のグラフは複雑な位相構造を持ち、しばしば異なる潜在因子の相互作用によって形成される。しかし、既存の手法の多くは、因子の絡み合いによって引き起こされるノード間の関係に固有の違いを考慮していない。本稿では,不整合グラフ表現学習のための,Shaunderline{\textbf{A}}dversarial \underline{\textbf{D}}isentangled \underline{\textbf{G}}raph \underline{\textbf{C}}onvolutional \underline{\textbf{N}}etwork (ADGCN)を提案する。まず、まず、考慮すべきグラフ不等角化の2つの側面、すなわち、マイクロ不等角化とマクロ不等角化を指摘する。そこで, ノード間のリンクの原因となる潜伏成分を推定することにより, マイクロディスタングルを実現するために, コンポーネント固有のアグリゲーション手法を提案する。さらに, マイクロディスタングル化に基づいて, 成分分布間の分離性を向上し, 成分間の相互依存を制限するマクロディスタングル逆正則化器を提案する。さらに, トポロジカルグラフ構造を明らかにするために, 局所構造認識によってグラフ構造を漸進的に洗練できる多様性保存ノードサンプリング手法を提案する。実世界のグラフデータを用いた実験結果から,ADGCNが現在利用可能な代替品よりも好適な性能を得ることを確認した。 ADGCNのソースコードは、textit{\url{https://github.com/SsGood/ADGCN}}で入手できる。

関連論文リスト

Improving Graph Neural Networks by Learning Continuous Edge Directions [0.0]
グラフニューラルネットワーク(GNN)は、従来、非指向グラフ上の拡散に似たメッセージパッシング機構を採用している。私たちのキーとなる洞察は、ファジィエッジ方向をグラフのエッジに割り当てることです。ファジィエッジを持つグラフを学習するためのフレームワークとして,Continuous Edge Direction (CoED) GNNを提案する。
論文参考訳（メタデータ） (2024-10-18T01:34:35Z)
Self-Attention Empowered Graph Convolutional Network for Structure Learning and Node Embedding [5.164875580197953]
グラフ構造化データの表現学習では、多くの人気のあるグラフニューラルネットワーク(GNN)が長距離依存をキャプチャできない。本稿では,自己注意型グラフ畳み込みネットワーク(GCN-SA)と呼ばれる新しいグラフ学習フレームワークを提案する。提案手法はノードレベルの表現学習において例外的な一般化能力を示す。
論文参考訳（メタデータ） (2024-03-06T05:00:31Z)
Deep Manifold Graph Auto-Encoder for Attributed Graph Embedding [51.75091298017941]
本稿では,属性付きグラフデータに対する新しいDeep Manifold (Variational) Graph Auto-Encoder (DMVGAE/DMGAE)を提案する。提案手法は,最先端のベースラインアルゴリズムを,一般的なデータセット間でのダウンストリームタスクの差を大きく越える。
論文参考訳（メタデータ） (2024-01-12T17:57:07Z)
Graph Transformer GANs for Graph-Constrained House Generation [223.739067413952]
本稿では,グラフノード関係を効果的に学習するために,GTGAN(Graph Transformer Generative Adversarial Network)を提案する。 GTGANは、グラフ制約のある住宅生成タスクにおいて、エンドツーエンドで効率的なグラフノード関係を学習する。
論文参考訳（メタデータ） (2023-03-14T20:35:45Z)
Discovering the Representation Bottleneck of Graph Neural Networks from Multi-order Interactions [51.597480162777074]
グラフニューラルネットワーク(GNN)は、ノード機能を伝搬し、インタラクションを構築するためにメッセージパッシングパラダイムに依存している。最近の研究は、異なるグラフ学習タスクはノード間の異なる範囲の相互作用を必要とすることを指摘している。科学領域における2つの共通グラフ構築法、すなわち、emphK-nearest neighbor(KNN)グラフとemphfully-connected(FC)グラフについて検討する。
論文参考訳（メタデータ） (2022-05-15T11:38:14Z)
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)
Schema-Aware Deep Graph Convolutional Networks for Heterogeneous Graphs [10.526065883783899]
グラフ畳み込みネットワーク(GCN)に基づくアプローチは、複雑でグラフ構造化された問題を解決するために大きな進歩を遂げた。我々はGCNフレームワーク「深部不均一グラフ畳み込みネットワーク(DHGCN)」を提案する。それは異種グラフのスキーマを利用し、多くのホップを効果的に活用するために階層的アプローチを使用します。
論文参考訳（メタデータ） (2021-05-03T06:24:27Z)
Ego-based Entropy Measures for Structural Representations on Graphs [35.55543331773255]
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。
論文参考訳（メタデータ） (2021-02-17T12:55:50Z)
Factorizable Graph Convolutional Networks [90.59836684458905]
本稿では,グラフに符号化された相互に絡み合った関係を明示的に解消する新しいグラフ畳み込みネットワーク(GCN)を提案する。 FactorGCNは単純なグラフを入力として取り、それをいくつかの分解グラフに分解する。提案したFacterGCNは,合成および実世界のデータセットに対して質的かつ定量的に評価する。
論文参考訳（メタデータ） (2020-10-12T03:01:40Z)

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。