論文の概要: OGB-LSC: A Large-Scale Challenge for Machine Learning on Graphs

• arxiv url: http://arxiv.org/abs/2103.09430v1
• Date: Wed, 17 Mar 2021 04:08:03 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-18 20:44:29.618034
• Title: OGB-LSC: A Large-Scale Challenge for Machine Learning on Graphs
• Title（参考訳）: OGB-LSC - グラフによる機械学習の大規模課題
• Authors: Weihua Hu, Matthias Fey, Hongyu Ren, Maho Nakata, Yuxiao Dong, Jure Leskovec
• Abstract要約: OGB Large-Scale Challenge(OGB-LSC)は、大規模グラフMLにおける最先端の進歩のための3つの実世界のデータセットのコレクションです。 OGB-LSCは専用のベースライン実験を提供し、表現型グラフMLモデルを巨大なデータセットにスケールアップします。
• 参考スコア（独自算出の注目度）: 69.23600404232883
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Enabling effective and efficient machine learning (ML) over large-scale graph data (e.g., graphs with billions of edges) can have a huge impact on both industrial and scientific applications. However, community efforts to advance large-scale graph ML have been severely limited by the lack of a suitable public benchmark. For KDD Cup 2021, we present OGB Large-Scale Challenge (OGB-LSC), a collection of three real-world datasets for advancing the state-of-the-art in large-scale graph ML. OGB-LSC provides graph datasets that are orders of magnitude larger than existing ones and covers three core graph learning tasks -- link prediction, graph regression, and node classification. Furthermore, OGB-LSC provides dedicated baseline experiments, scaling up expressive graph ML models to the massive datasets. We show that the expressive models significantly outperform simple scalable baselines, indicating an opportunity for dedicated efforts to further improve graph ML at scale. Our datasets and baseline code are released and maintained as part of our OGB initiative (Hu et al., 2020). We hope OGB-LSC at KDD Cup 2021 can empower the community to discover innovative solutions for large-scale graph ML.
• Abstract（参考訳）: 大規模グラフデータ(例えば数十億のエッジを持つグラフ)上での効率的かつ効率的な機械学習(ML)は、産業的および科学的な応用に大きな影響を与える可能性がある。 しかし、大規模なグラフMLを推進しようとするコミュニティの努力は、適切な公開ベンチマークが欠如しているため、著しく制限されている。 KDDカップ2021では,大規模グラフMLの最先端化を目的とした3つの実世界のデータセットのコレクションであるOGB-LSCを提案する。 OGB-LSCは、既存のものよりも桁違い大きく、リンク予測、グラフ回帰、ノード分類の3つのコアグラフ学習タスクをカバーするグラフデータセットを提供する。 さらに、OGB-LSCは、表現力のあるグラフMLモデルを巨大なデータセットにスケールアップする専用のベースライン実験を提供する。 表現力のあるモデルは、単純なスケーラブルなベースラインを著しく上回り、グラフMLを大規模に改善する専用の取り組みの機会を示す。 データセットとベースラインコードは、OGBイニシアチブの一部としてリリースされ、メンテナンスされています(Hu et al., 2020)。 KDDカップ2021のOGB-LSCによって、大規模なグラフMLの革新的なソリューションがコミュニティに発見できるようになることを願っている。

関連論文リスト

• What Can We Learn from State Space Models for Machine Learning on Graphs? [11.38076877943004]
  グラフ構造化データに対する状態空間モデル(SSM)の原則拡張として,グラフ状態空間畳み込み(GSSC)を提案する。 グローバルな置換同変集合アグリゲーションと分解可能なグラフカーネルを活用することにより、GSSCはSSMの3つの利点を全て保持する。 グラフ機械学習のパワフルでスケーラブルなモデルとしてのGSSCの可能性を明らかにする。
  論文  参考訳（メタデータ） (2024-06-09T15:03:36Z)
• LLaGA: Large Language and Graph Assistant [73.71990472543027]
  大規模言語とグラフアシスタント(LLaGA)は、グラフ構造化データの複雑さを扱う革新的なモデルである。 LLaGAは汎用性、一般化性、解釈性に優れており、異なるデータセットやタスク間で一貫して動作する。 実験の結果,LLaGAは4つのデータセットと3つのタスクに1つの単一モデルを用いて優れた性能を提供することがわかった。
  論文  参考訳（メタデータ） (2024-02-13T02:03:26Z)
• Graph Transformers for Large Graphs [57.19338459218758]
  この研究は、モデルの特徴と重要な設計制約を識別することに焦点を当てた、単一の大規模グラフでの表現学習を前進させる。 この研究の重要な革新は、局所的な注意機構と組み合わされた高速な近傍サンプリング技術の作成である。 ogbn-products と snap-patents の3倍の高速化と16.8%の性能向上を報告し、ogbn-100M で LargeGT を5.9% の性能改善で拡張した。
  論文  参考訳（メタデータ） (2023-12-18T11:19:23Z)
• IGB: Addressing The Gaps In Labeling, Features, Heterogeneity, and Size of Public Graph Datasets for Deep Learning Research [14.191338008898963]
  グラフニューラルネットワーク(GNN)は、さまざまな現実的、挑戦的なアプリケーションに対して高い可能性を示している。 GNN研究の大きな障害の1つは、大規模なフレキシブルデータセットの欠如である。 イリノイグラフベンチマーク(IGB)は、開発者がGNNモデルをトレーニング、精査、評価するために使用できる研究データセットツールである。
  論文  参考訳（メタデータ） (2023-02-27T05:21:35Z)
• Graph Generative Model for Benchmarking Graph Neural Networks [73.11514658000547]
  本稿では,プライバシ制御により実世界のグラフの分布を学習し,再現する新しいグラフ生成モデルを提案する。 我々のモデルは、GNNモデルのベンチマークに効果的に使用できる大規模な実世界のグラフの、プライバシ制御された合成代用をうまく生成することができる。
  論文  参考訳（メタデータ） (2022-07-10T06:42:02Z)
• Scaling R-GCN Training with Graph Summarization [71.06855946732296]
  リレーショナルグラフ畳み込みネットワーク(R-GCN)のトレーニングは、グラフのサイズに合わない。 本研究では,グラフの要約手法を用いてグラフを圧縮する実験を行った。 AIFB, MUTAG, AMデータセットについて妥当な結果を得た。
  論文  参考訳（メタデータ） (2022-03-05T00:28:43Z)
• Large-scale graph representation learning with very deep GNNs and self-supervision [17.887767916020774]
  Open Graph Benchmark Large-Scale Challenge (OGB-LSC)を用いてグラフニューラルネットワーク(GNN)を大規模にデプロイする方法を示す。 我々のモデルはMAG240MとPCQM4Mのベンチマークでアワードレベル(トップ3)のパフォーマンスを達成した。
  論文  参考訳（メタデータ） (2021-07-20T11:35:25Z)
• Open Graph Benchmark: Datasets for Machine Learning on Graphs [86.96887552203479]
  スケーラブルで堅牢で再現可能なグラフ機械学習(ML)の研究を容易にするために,Open Graph Benchmark(OGB)を提案する。 OGBデータセットは大規模で、複数の重要なグラフMLタスクを含み、さまざまなドメインをカバーする。 各データセットに対して,有意義なアプリケーション固有のデータ分割と評価指標を用いた統一評価プロトコルを提供する。
  論文  参考訳（メタデータ） (2020-05-02T03:09:50Z)

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。