論文の概要: WGCN: Graph Convolutional Networks with Weighted Structural Features
- arxiv url: http://arxiv.org/abs/2104.14060v1
- Date: Thu, 29 Apr 2021 00:50:06 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-30 13:12:13.644405
- Title: WGCN: Graph Convolutional Networks with Weighted Structural Features
- Title（参考訳）: WGCN: 軽量構造を持つグラフ畳み込みネットワーク
- Authors: Yunxiang Zhao and Jianzhong Qi and Qingwei Liu and Rui Zhang
- Abstract要約: グラフ畳み込みネットワーク(GCN)は、構造情報をキャプチャしてノードの表現を学習する。
WGCNという重み付き構造を有するGCNモデルを提案する。
実験の結果、WGCNは5つのベンチマークデータセットの精度において、ベースラインモデルを最大17.07%向上させることがわかった。
- 参考スコア（独自算出の注目度）: 25.64794159605137
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Graph structural information such as topologies or connectivities provides
valuable guidance for graph convolutional networks (GCNs) to learn nodes'
representations. Existing GCN models that capture nodes' structural information
weight in- and out-neighbors equally or differentiate in- and out-neighbors
globally without considering nodes' local topologies. We observe that in- and
out-neighbors contribute differently for nodes with different local topologies.
To explore the directional structural information for different nodes, we
propose a GCN model with weighted structural features, named WGCN. WGCN first
captures nodes' structural fingerprints via a direction and degree aware Random
Walk with Restart algorithm, where the walk is guided by both edge direction
and nodes' in- and out-degrees. Then, the interactions between nodes'
structural fingerprints are used as the weighted node structural features. To
further capture nodes' high-order dependencies and graph geometry, WGCN embeds
graphs into a latent space to obtain nodes' latent neighbors and geometrical
relationships. Based on nodes' geometrical relationships in the latent space,
WGCN differentiates latent, in-, and out-neighbors with an attention-based
geometrical aggregation. Experiments on transductive node classification tasks
show that WGCN outperforms the baseline models consistently by up to 17.07% in
terms of accuracy on five benchmark datasets.
- Abstract（参考訳）: トポロジや接続性などのグラフ構造情報は、ノードの表現を学ぶためのグラフ畳み込みネットワーク(GCN)に有用なガイダンスを提供する。
既存のGCNモデルは、ノードの局所的なトポロジを考慮せずに、ノードの構造的情報重みを内外から等しく、あるいは世界中に区別する。
ローカルトポロジの異なるノードに対して, 隣り合うノードと隣り合うノードが異なった貢献をする。
異なるノードの方向構造情報を探索するため、重み付き構造特徴を持つGCNモデルWGCNを提案する。
WGCNはまず、ノードの構造的指紋を方向と度合いを意識したランダムウォークをRestartアルゴリズムでキャプチャし、ウォークはエッジ方向とノードの内外の両方でガイドされる。
次に、重み付けノード構造特徴として、ノードの構造指紋間の相互作用を用いる。
ノードの高次依存性とグラフ幾何をさらに捉えるため、wgcnはグラフを潜在空間に埋め込み、ノードの潜在隣接と幾何学的関係を得る。
潜在空間におけるノードの幾何学的関係に基づいて、WGCNは、注意に基づく幾何学的集約を伴う潜在、内、外隣を区別する。
トランスダクティブノード分類タスクの実験は、WGCNが5つのベンチマークデータセットの精度において、ベースラインモデルを最大17.07%向上させることを示した。
関連論文リスト
- A Variational Edge Partition Model for Supervised Graph Representation
Learning [51.30365677476971]
本稿では,重なり合うノード群間の相互作用を集約することで,観測されたエッジがどのように生成されるかをモデル化するグラフ生成プロセスを提案する。
それぞれのエッジを複数のコミュニティ固有の重み付きエッジの和に分割し、コミュニティ固有のGNNを定義する。
エッジを異なるコミュニティに分割するGNNベースの推論ネットワーク,これらのコミュニティ固有のGNN,およびコミュニティ固有のGNNを最終分類タスクに組み合わせたGNNベースの予測器を共同で学習するために,変分推論フレームワークを提案する。
論文 参考訳（メタデータ） (2022-02-07T14:37:50Z) - Structure Enhanced Graph Neural Networks for Link Prediction [6.872826041648584]
リンク予測のための構造拡張グラフニューラルネットワーク(SEG)を提案する。
SEGは、ターゲットノードの周囲の位相情報を通常のGNNモデルに組み込む。
OGBリンク予測データセットの実験は、SEGが最先端の結果を達成することを示す。
論文 参考訳（メタデータ） (2022-01-14T03:49:30Z) - Graph Neural Networks with Feature and Structure Aware Random Walk [7.143879014059894]
典型的な好適なグラフでは、エッジを指向する可能性があり、エッジをそのまま扱うか、あるいは単純に非指向にするかは、GNNモデルの性能に大きな影響を与える。
そこで我々は,グラフの方向性を適応的に学習するモデルを開発し,ノード間の長距離相関を生かした。
論文 参考訳（メタデータ） (2021-11-19T08:54:21Z) - Node-wise Localization of Graph Neural Networks [52.04194209002702]
グラフニューラルネットワーク(GNN)は、グラフ上の表現学習モデルの強力なファミリーとして出現する。
グラフのグローバルな側面とローカルな側面の両方を考慮し,GNNのノードワイドなローカライゼーションを提案する。
我々は,4つのベンチマークグラフに対して広範な実験を行い,最先端のGNNを超える有望な性能を継続的に獲得する。
論文 参考訳（メタデータ） (2021-10-27T10:02:03Z) - Feature Correlation Aggregation: on the Path to Better Graph Neural
Networks [37.79964911718766]
グラフニューラルネットワーク(GNN)が導入される以前、不規則なデータ、特にグラフのモデリングと解析は、ディープラーニングのアキレスのヒールであると考えられていた。
本稿では,GNNのコア操作に対して,極めて単純かつ無作為な修正を施した中央ノード置換変分関数を提案する。
モデルの具体的な性能向上は、モデルがより少ないパラメータを使用しながら、有意なマージンで過去の最先端結果を上回った場合に観察される。
論文 参考訳（メタデータ） (2021-09-20T05:04:26Z) - Curvature Graph Neural Network [8.477559786537919]
離散グラフ曲率(リッチ曲率)を導入し、対ノードの構造接続の強度を定量化する。
GNNの適応的局所性能力を効果的に向上する曲線グラフニューラルネットワーク(CGNN)を提案する。
合成データセットの実験結果から,CGNNはトポロジ構造情報を効果的に活用していることがわかった。
論文 参考訳（メタデータ） (2021-06-30T00:56:03Z) - SPAGAN: Shortest Path Graph Attention Network [187.75441278910708]
グラフ畳み込みネットワーク(GCN)は最近、グラフとして表現できる非グリッド構造データを分析する可能性を示した。
本研究では,SPAGAN (Shortest Path Graph Attention Network) と呼ばれる新しいGCNモデルを提案する。
論文 参考訳（メタデータ） (2021-01-10T03:18:34Z) - Node Similarity Preserving Graph Convolutional Networks [51.520749924844054]
グラフニューラルネットワーク(GNN)は、ノード近傍の情報を集約し変換することで、グラフ構造とノードの特徴を探索する。
グラフ構造を利用してノード類似性を効果的かつ効率的に保存できるSimP-GCNを提案する。
本研究は,SimP-GCNが3つの分類グラフと4つの非補助グラフを含む7つのベンチマークデータセットに対して有効であることを示す。
論文 参考訳（メタデータ） (2020-11-19T04:18:01Z) - Unifying Graph Convolutional Neural Networks and Label Propagation [73.82013612939507]
LPAとGCNの関係を特徴・ラベルの平滑化と特徴・ラベルの影響の2点の観点から検討した。
理論解析に基づいて,ノード分類のためのGCNとLCAを統一するエンドツーエンドモデルを提案する。
我々のモデルは、既存の特徴に基づく注目モデルよりもタスク指向のノードラベルに基づく学習注意重みと見なすこともできる。
論文 参考訳（メタデータ） (2020-02-17T03:23:13Z) - Graph Inference Learning for Semi-supervised Classification [50.55765399527556]
半教師付きノード分類の性能を高めるためのグラフ推論学習フレームワークを提案する。
推論過程の学習には,トレーニングノードから検証ノードへの構造関係のメタ最適化を導入する。
4つのベンチマークデータセットの総合的な評価は、最先端の手法と比較して提案したGILの優位性を示している。
論文 参考訳（メタデータ） (2020-01-17T02:52:30Z)
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。