論文の概要: Structure-Aware Hierarchical Graph Pooling using Information Bottleneck

• arxiv url: http://arxiv.org/abs/2104.13012v1
• Date: Tue, 27 Apr 2021 07:27:43 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-28 22:20:24.844137
• Title: Structure-Aware Hierarchical Graph Pooling using Information Bottleneck
• Title（参考訳）: 情報ボトルネックを用いた構造対応階層型グラフポーリング
• Authors: Kashob Kumar Roy, Amit Roy, A K M Mahbubur Rahman, M Ashraful Amin and Amin Ahsan Ali
• Abstract要約: グラフプーリングは、グラフ分類および回帰タスクにおけるグラフニューラルネットワーク(GNN)の重要な要素です。 本稿では,情報ボトルネック(IB)の原理を応用した,HIBPoolという新しいプール手法を提案する。 また,グラフの局所部分グラフ構造をキャプチャするために,新しい構造認識型識別プーリング読み出し(dip-readout)関数を導入する。
• 参考スコア（独自算出の注目度）: 2.7088996845250897
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graph pooling is an essential ingredient of Graph Neural Networks (GNNs) in graph classification and regression tasks. For these tasks, different pooling strategies have been proposed to generate a graph-level representation by downsampling and summarizing nodes' features in a graph. However, most existing pooling methods are unable to capture distinguishable structural information effectively. Besides, they are prone to adversarial attacks. In this work, we propose a novel pooling method named as {HIBPool} where we leverage the Information Bottleneck (IB) principle that optimally balances the expressiveness and robustness of a model to learn representations of input data. Furthermore, we introduce a novel structure-aware Discriminative Pooling Readout ({DiP-Readout}) function to capture the informative local subgraph structures in the graph. Finally, our experimental results show that our model significantly outperforms other state-of-art methods on several graph classification benchmarks and more resilient to feature-perturbation attack than existing pooling methods.
• Abstract（参考訳）: グラフプーリングはグラフ分類と回帰タスクにおいてグラフニューラルネットワーク(GNN)の重要な要素である。 これらのタスクに対して、グラフ内のノードの特徴をダウンサンプリングし要約することでグラフレベルの表現を生成するための異なるプーリング戦略が提案されている。 しかし、既存のプーリング手法の多くは、識別可能な構造情報を効果的に捉えることができない。 また、敵対的な攻撃の傾向も強い。 本研究では,入力データの表現を学習するために,モデルの表現性とロバスト性を最適にバランスする情報ボトルネック(IB)の原理を有効活用する,新しいプール法(HIBPool)を提案する。 さらに,グラフ内の局所部分グラフ構造をキャプチャするために,新しい構造認識型識別プーリング({dip-readout})関数を導入する。 最後に,本モデルが複数のグラフ分類ベンチマークにおいて,他の最先端手法を著しく上回っており,既存のプーリング法よりも特徴摂動攻撃に対する弾力性が高いことを示した。

関連論文リスト

• SPGNN: Recognizing Salient Subgraph Patterns via Enhanced Graph Convolution and Pooling [25.555741218526464]
  グラフニューラルネットワーク(GNN)は、グラフやネットワークのような非ユークリッドデータ上での機械学習の分野に革命をもたらした。 本稿では,ノード表現をインジェクティブに更新する結合型グラフ畳み込み機構を提案する。 また,WL-SortPoolと呼ばれるグラフプーリングモジュールを設計し,重要なサブグラフパターンをディープラーニングで学習する。
  論文  参考訳（メタデータ） (2024-04-21T13:11:59Z)
• SSHPool: The Separated Subgraph-based Hierarchical Pooling [47.78745802682822]
  グラフ分類のための新しい局所グラフプーリング法,すなわち分離部分グラフベース階層プール(SSH)を開発した。 局所グラフ畳み込み単位を局所構造として個別に用いて各部分グラフをより粗いノードに圧縮する。 我々は、グラフ分類のためのSSHPoolモジュールに関連するエンドツーエンドのGNNフレームワークを開発する。
  論文  参考訳（メタデータ） (2024-03-24T13:03:35Z)
• Bures-Wasserstein Means of Graphs [60.42414991820453]
  本研究では,スムーズなグラフ信号分布の空間への埋め込みを通じて,グラフ平均を定義する新しいフレームワークを提案する。 この埋め込み空間において平均を求めることにより、構造情報を保存する平均グラフを復元することができる。 我々は,新しいグラフの意味の存在と特異性を確立し,それを計算するための反復アルゴリズムを提供する。
  論文  参考訳（メタデータ） (2023-05-31T11:04:53Z)
• Higher-order Clustering and Pooling for Graph Neural Networks [77.47617360812023]
  グラフニューラルネットワークは、多数のグラフ分類タスクにおいて最先端のパフォーマンスを達成する。 HoscPoolはクラスタリングベースのグラフプーリング演算子で、階層的に高階情報をキャプチャする。 グラフ分類タスクにおいてHoscPoolを評価し,そのクラスタリングコンポーネントを地層構造を持つグラフ上で評価する。
  論文  参考訳（メタデータ） (2022-09-02T09:17:10Z)
• Edge but not Least: Cross-View Graph Pooling [76.71497833616024]
  本稿では,重要なグラフ構造情報を活用するために,クロスビューグラフプーリング(Co-Pooling)手法を提案する。 クロスビュー相互作用、エッジビュープーリング、ノードビュープーリングにより、相互にシームレスに強化され、より情報的なグラフレベルの表現が学習される。
  論文  参考訳（メタデータ） (2021-09-24T08:01:23Z)
• Accurate Learning of Graph Representations with Graph Multiset Pooling [45.72542969364438]
  本稿では,その構造的依存関係に応じてノード間の相互作用をキャプチャするグラフマルチセットトランス (GMT) を提案する。 実験の結果,GMTはグラフ分類ベンチマークにおいて,最先端のグラフプーリング法を著しく上回っていることがわかった。
  論文  参考訳（メタデータ） (2021-02-23T07:45:58Z)
• CommPOOL: An Interpretable Graph Pooling Framework for Hierarchical Graph Representation Learning [74.90535111881358]
  新しい解釈可能なグラフプーリングフレームワークである CommPOOL を提案します。 グラフ表現学習プロセスにおいて、グラフの階層的なコミュニティ構造をキャプチャし、保存することができる。 CommPOOLは階層グラフ表現学習のための汎用的で柔軟なフレームワークです。
  論文  参考訳（メタデータ） (2020-12-10T21:14:18Z)
• Second-Order Pooling for Graph Neural Networks [62.13156203025818]
  グラフプーリングとして2次プールを提案するが、これは上記の課題を自然に解決する。 グラフニューラルネットワークによる2次プールの直接利用は、実用的な問題を引き起こすことを示す。 本稿では,2次プールに基づく2つの新しいグローバルグラフプーリング手法,すなわちバイリニアマッピングと2次プールを提案する。
  論文  参考訳（メタデータ） (2020-07-20T20:52:36Z)
• 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)
• Deep Graph Mapper: Seeing Graphs through the Neural Lens [4.401427499962144]
  我々はMapperとグラフニューラルネットワーク(GNN)の表現力を組み合わせることで、グラフの階層的でトポロジカルな視覚化を生成する。 これらの視覚化は、複雑なグラフの構造を識別するだけでなく、様々なタスクを解くためにそれらに適用されたモデルを理解する手段を提供する。
  論文  参考訳（メタデータ） (2020-02-10T15:29:09Z)

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。