Fugu-MT 論文翻訳(概要): Scaling up graph homomorphism for classification via sampling

論文の概要: Scaling up graph homomorphism for classification via sampling

arxiv url: http://arxiv.org/abs/2104.04040v1
Date: Thu, 8 Apr 2021 20:25:37 GMT
ステータス: 処理完了
システム内更新日: 2021-04-12 23:46:06.480839
Title: Scaling up graph homomorphism for classification via sampling
Title（参考訳）: サンプリングによる分類のためのグラフ準同型のスケールアップ
Authors: Paul Beaujean and Florian Sikora and Florian Yger
Abstract要約: グラフ準同型密度特徴を準同型数に対するスケーラブルな代替として使用することを検討する。準同型密度の加法近似を計算する単純なサンプリングアルゴリズムの高性能な実装を提案する。
参考スコア（独自算出の注目度）: 1.662966122370634
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Feature generation is an open topic of investigation in graph machine learning. In this paper, we study the use of graph homomorphism density features as a scalable alternative to homomorphism numbers which retain similar theoretical properties and ability to take into account inductive bias. For this, we propose a high-performance implementation of a simple sampling algorithm which computes additive approximations of homomorphism densities. In the context of graph machine learning, we demonstrate in experiments that simple linear models trained on sample homomorphism densities can achieve performance comparable to graph neural networks on standard graph classification datasets. Finally, we show in experiments on synthetic data that this algorithm scales to very large graphs when implemented with Bloom filters.
Abstract（参考訳）: 機能生成は、グラフ機械学習における調査のオープントピックである。本稿では、同様の理論的性質と帰納バイアスを考慮した能力を有する同型数に対するスケーラブルな代替として、グラフ準同型密度特徴を用いて検討する。そこで本研究では準同型密度の加法近似を計算する単純なサンプリングアルゴリズムの高性能実装を提案する。グラフ機械学習の文脈では、サンプル準同型密度で訓練された単純な線形モデルが、標準グラフ分類データセットでグラフニューラルネットワークに匹敵するパフォーマンスを達成できることを実験で実証する。最後に、このアルゴリズムがブルームフィルタで実装された場合、非常に大きなグラフにスケールできることを合成データ実験で示す。

関連論文リスト

Generation is better than Modification: Combating High Class Homophily Variance in Graph Anomaly Detection [51.11833609431406]
異なるクラス間のホモフィリー分布の差は、ホモフィリックグラフやヘテロフィリックグラフよりも著しく大きい。我々は、この現象を定量的に記述した、クラスホモフィリーバリアンスと呼ばれる新しい計量を導入する。その影響を軽減するために,ホモフィリーエッジ生成グラフニューラルネットワーク(HedGe)と呼ばれる新しいGNNモデルを提案する。
論文参考訳（メタデータ） (2024-03-15T14:26:53Z)
PF-GNN: Differentiable particle filtering based approximation of universal graph representations [20.544160526945234]
グラフニューラルネットワーク(GNN)は、グラフ同型に対する1-WL色補正テストによって、表現力に制限があることが知られている。本研究では,学習過程を厳密な同型解法で導くことによって,GNNを普遍化する手法を提案する。我々のアルゴリズムはエンドツーエンドで微分可能であり、任意のGNNをバックボーンとして適用することができ、よりリッチなグラフ表現を線形に増加させて学習することができる。
論文参考訳（メタデータ） (2024-01-31T11:26:03Z)
Structural Node Embeddings with Homomorphism Counts [2.0131144893314232]
準同型は局所構造情報を捉えます準同型数に基づくノード埋め込みの有効性を実験的に示す。本手法は,有界木幅グラフクラスに対するグラフ準同型カウントの効率的な計算可能性に着目している。
論文参考訳（メタデータ） (2023-08-29T13:14:53Z)
Permutation Equivariant Graph Framelets for Heterophilous Graph Learning [6.679929638714752]
本研究では,Haar型グラフフレームレットの構築により,マルチスケール抽出を実現する手法を開発した。ヘテロ親和性グラフの特定のデータセット上で,我々のモデルが最高の性能を達成できることが示される。
論文参考訳（メタデータ） (2023-06-07T09:05:56Z)
Similarity-aware Positive Instance Sampling for Graph Contrastive Pre-training [82.68805025636165]
トレーニングセット内の既存グラフから直接正のグラフインスタンスを選択することを提案する。私たちの選択は、特定のドメイン固有のペアワイズ類似度測定に基づいています。さらに,ノードを動的にマスキングしてグラフ上に均等に分配する適応ノードレベルの事前学習手法を開発した。
論文参考訳（メタデータ） (2022-06-23T20:12:51Z)
Heterogeneous Graph Neural Networks using Self-supervised Reciprocally Contrastive Learning [102.9138736545956]
不均一グラフニューラルネットワーク(HGNN)は異種グラフのモデリングと解析において非常に一般的な手法である。我々は,ノード属性とグラフトポロジの各ガイダンスに関する2つの視点を取り入れた,新規で頑健なヘテロジニアスグラフコントラスト学習手法であるHGCLを初めて開発する。この新しいアプローチでは,属性とトポロジに関連情報を別々にマイニングする手法として,異なるが最も適した属性とトポロジの融合機構を2つの視点に適用する。
論文参考訳（メタデータ） (2022-04-30T12:57:02Z)
Learning to Learn Graph Topologies [27.782971146122218]
ノードデータからグラフ構造へのマッピングを学習する(L2O)。このモデルは、ノードデータとグラフサンプルのペアを使ってエンドツーエンドでトレーニングされる。合成データと実世界のデータの両方の実験により、我々のモデルは、特定のトポロジ特性を持つグラフを学習する際の古典的反復アルゴリズムよりも効率的であることが示された。
論文参考訳（メタデータ） (2021-10-19T08:42:38Z)
Graph Pooling with Node Proximity for Hierarchical Representation Learning [80.62181998314547]
本稿では,ノード近接を利用したグラフプーリング手法を提案し,そのマルチホップトポロジを用いたグラフデータの階層的表現学習を改善する。その結果,提案したグラフプーリング戦略は,公開グラフ分類ベンチマークデータセットの集合において,最先端のパフォーマンスを達成できることが示唆された。
論文参考訳（メタデータ） (2020-06-19T13:09:44Z)
Geometric graphs from data to aid classification tasks with graph convolutional networks [0.0]
データセットに付加的な関係情報が得られなくても,特徴量自体から幾何グラフを構築して分類を改善することができることを示す。分類精度の向上は、比較的低いエッジ密度のサンプル類似性をキャプチャするグラフによって最大化される。
論文参考訳（メタデータ） (2020-05-08T15:00:45Z)
Permutation Invariant Graph Generation via Score-Based Generative Modeling [114.12935776726606]
本稿では,最近のスコアベース生成モデルを用いて,グラフモデリングにおける置換不変手法を提案する。特に、入力グラフにおけるデータ分布の勾配をモデル化するために、置換同変のマルチチャネルグラフニューラルネットワークを設計する。グラフ生成では、我々の学習アプローチはベンチマークデータセット上の既存のモデルよりも良い、あるいは同等の結果を得る。
論文参考訳（メタデータ） (2020-03-02T03:06:14Z)
Block-Approximated Exponential Random Graphs [77.4792558024487]
指数乱グラフ(ERG)の分野における重要な課題は、大きなグラフ上の非自明なERGの適合である。本稿では,非自明なERGに対する近似フレームワークを提案する。我々の手法は、数百万のノードからなるスパースグラフにスケーラブルである。
論文参考訳（メタデータ） (2020-02-14T11:42:16Z)

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。