論文の概要: Sub-GMN: The Subgraph Matching Network Model
- arxiv url: http://arxiv.org/abs/2104.00186v1
- Date: Thu, 1 Apr 2021 01:31:40 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-02 13:23:24.447464
- Title: Sub-GMN: The Subgraph Matching Network Model
- Title(参考訳): Sub-GMN:Subgraph Matching Network Model
- Authors: Zixun Lan, Limin Yu, Linglong Yuan, Zili Wu, Fei Ma
- Abstract要約: エンド・ツー・エンド学習に基づくサブグラフマッチングタスクの近似手法であるsubgraph matching network (sub-gmn) を提案する。
まず、サブgmnはグラフ表現学習を使用してノードをノードレベルの埋め込みにマッピングし、メトリクス学習とアテンション機構を組み合わせて、データグラフとクエリグラフのマッチしたノードの関係をモデル化する。
- 参考スコア(独自算出の注目度): 4.879819291429471
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We propose an end-to-end learning-based approximate method for subgraph
matching task, called subgraph matching network (Sub-GMN). First, Sub-GMN uses
graph representation learning to map nodes to node-level embedding, and then
combines metric learning and attention mechanisms to model the relationship
between matched nodes in the data graph and query graph. Compared with the
previous GNNs-based method for subgraph matching task, Sub-GMN can obtain the
node-to-node matching relationships and allow varying the input composed of
query graph and data graph in the test phase, while previous GNNs-based methods
for subgraph matching task can only match a fixed and unchanged subgraph and
cannot output the node-to-node matching relationships.
In this paper, there are two contribution. The first contribution is that
Sub-GMN is the first learning based methods for subgraph matching task and can
output node-to-node matching relationships. To our best knowledge, no learning
based methods have been proposed in formal journals that match subgraphs, and
output node-to-node matching relationships, while allow varying query and data
graphes for subgraph matching task. The second contribution is that Sub-GMN has
achieved better experimental results than previous GNNs-based method for
subgraph matching task from the perspective of accuracy and running time.
- Abstract(参考訳): 本稿では,サブグラフマッチングネットワーク(Sub-GMN)と呼ばれるサブグラフマッチングタスクのエンドツーエンド学習に基づく近似手法を提案する。
まず、サブgmnはグラフ表現学習を使用してノードをノードレベルの埋め込みにマッピングし、メトリクス学習とアテンション機構を組み合わせて、データグラフとクエリグラフのマッチしたノードの関係をモデル化する。
従来のサブグラフマッチングタスクのgnnsベースの方法と比較して、sub-gmnはノード対ノードマッチング関係を取得して、クエリグラフとデータグラフからなる入力をテストフェーズで変更することが可能であり、従来のgnnsベースのサブグラフマッチングタスクの方法は固定および不変サブグラフのみをマッチングでき、ノード対ノードマッチング関係を出力することができない。
この論文には2つの貢献がある。
最初のコントリビューションは、Sub-GMNがサブグラフマッチングタスクのための最初の学習ベースのメソッドであり、ノード間マッチング関係を出力できることである。
我々の知る限り、グラフマッチングタスクのクエリやデータグラフの変化を許容しながら、ノード間マッチング関係を出力する形式的なジャーナルでは学習ベースの手法は提案されていない。
第2の貢献は、サブGMNが、精度と実行時間の観点から、従来のGNNベースのサブグラフマッチングタスクよりも優れた実験結果を得たことである。
関連論文リスト
- Diffusing to the Top: Boost Graph Neural Networks with Minimal Hyperparameter Tuning [33.948899558876604]
グラフ条件付き潜在拡散フレームワーク(GNN-Diff)を導入し,高性能なGNNを生成する。
提案手法は,小,大,長距離グラフ上のノード分類とリンク予測という4つのグラフタスクを対象とした166の実験を通じて検証する。
論文 参考訳(メタデータ) (2024-10-08T05:27:34Z) - 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) - Seq-HGNN: Learning Sequential Node Representation on Heterogeneous Graph [57.2953563124339]
本稿では,シーケンシャルノード表現,すなわちSeq-HGNNを用いた新しい異種グラフニューラルネットワークを提案する。
Heterogeneous Graph Benchmark (HGB) と Open Graph Benchmark (OGB) の4つの広く使われているデータセットについて広範な実験を行った。
論文 参考訳(メタデータ) (2023-05-18T07:27:18Z) - A Robust Stacking Framework for Training Deep Graph Models with
Multifaceted Node Features [61.92791503017341]
数値ノード特徴とグラフ構造を入力とするグラフニューラルネットワーク(GNN)は,グラフデータを用いた各種教師付き学習タスクにおいて,優れた性能を示した。
IID(non-graph)データをGNNに簡単に組み込むことはできない。
本稿では、グラフ認識の伝播をIDデータに意図した任意のモデルで融合するロバストな積み重ねフレームワークを提案する。
論文 参考訳(メタデータ) (2022-06-16T22:46:33Z) - Graph Pointer Neural Networks [11.656981519694218]
上述の課題に対処するために,グラフポインタニューラルネットワーク(GPNN)を提案する。
我々は、多数のマルチホップ地区から最も関連性の高いノードを選択するためにポインタネットワークを利用する。
GPNNは最先端手法の分類性能を著しく向上させる。
論文 参考訳(メタデータ) (2021-10-03T10:18:25Z) - On Local Aggregation in Heterophilic Graphs [11.100606980915144]
我々は,従来のGNNと多層パーセプトロンを適切に調整した手法が,ヘテロ親和性グラフ上の最近の長距離アグリゲーション手法の精度に適合しているか,あるいは超越しているかを示す。
本稿では,新しい情報理論グラフ計量であるNativeborhood Information Content(NIC)メトリックを提案する。
論文 参考訳(メタデータ) (2021-06-06T19:12:31Z) - Distance Encoding: Design Provably More Powerful Neural Networks for
Graph Representation Learning [63.97983530843762]
グラフニューラルネットワーク(GNN)はグラフ表現学習において大きな成功を収めている。
GNNは、実際には非常に異なるグラフ部分構造に対して同一の表現を生成する。
より強力なGNNは、最近高階試験を模倣して提案され、基礎となるグラフ構造を疎結合にできないため、非効率である。
本稿では,グラフ表現学習の新たなクラスとして距離分解(DE)を提案する。
論文 参考訳(メタデータ) (2020-08-31T23:15:40Z) - Scaling Graph Neural Networks with Approximate PageRank [64.92311737049054]
GNNにおける情報拡散の効率的な近似を利用したPPRGoモデルを提案する。
高速であることに加えて、PPRGoは本質的にスケーラブルであり、業界設定で見られるような大規模なデータセットに対して、自明に並列化することができる。
このグラフのすべてのノードに対するPPRGoのトレーニングとラベルの予測には1台のマシンで2分未満で、同じグラフ上の他のベースラインをはるかに上回ります。
論文 参考訳(メタデータ) (2020-07-03T09:30:07Z) - Towards Deeper Graph Neural Networks with Differentiable Group
Normalization [61.20639338417576]
グラフニューラルネットワーク(GNN)は、隣接するノードを集約することでノードの表現を学習する。
オーバースムーシングは、レイヤーの数が増えるにつれてGNNのパフォーマンスが制限される重要な問題のひとつです。
2つのオーバースムースなメトリクスと新しいテクニック、すなわち微分可能群正規化(DGN)を導入する。
論文 参考訳(メタデータ) (2020-06-12T07:18:02Z) - Graph Sequential Network for Reasoning over Sequences [38.766982479196926]
シーケンスから構築されたグラフよりも推論が必要な場合を考える。
既存のGNNモデルは、まずノード列を固定次元ベクトルに要約し、次にこれらのベクトルにGNNを適用することで、この目標を達成する。
本稿では,グラフシーケンスネットワーク(GSN)と呼ばれる新しいタイプのGNNを提案する。
論文 参考訳(メタデータ) (2020-04-04T19:18:54Z)
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。