Fugu-MT 論文翻訳(概要): Representation Learning using Graph Autoencoders with Residual Connections

論文の概要: Representation Learning using Graph Autoencoders with Residual Connections

arxiv url: http://arxiv.org/abs/2105.00695v1
Date: Mon, 3 May 2021 09:05:46 GMT
ステータス: 処理完了
システム内更新日: 2021-05-04 20:39:12.475827
Title: Representation Learning using Graph Autoencoders with Residual Connections
Title（参考訳）: 残差接続型グラフオートエンコーダを用いた表現学習
Authors: Indrit Nallbani, Aydin Ayanzadeh, Reyhan Kevser Keser, Nurullah \c{C}al{\i}k, Beh\c{c}et U\u{g}ur T\"oreyin
Abstract要約: 浅部および深部グラフの変分およびバニラオートエンコーダに残差接続を加える効果を示す。本稿では,残差接続の異なるグラフ変分オートエンコーダRes-VGAEを提案する。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Graph autoencoders are very efficient at embedding graph-based complex data sets. However, most of the autoencoders have shallow depths and their efficiency tends to decrease with the increase of layer depth. In this paper, we study the effect of adding residual connections to shallow and deep graph variational and vanilla autoencoders. We show that residual connections improve the accuracy of the deep graph-based autoencoders. Furthermore, we propose Res-VGAE, a graph variational autoencoder with different residual connections. Our experiments show that our model achieves superior results when compared with other autoencoder-based models for the link prediction task.
Abstract（参考訳）: グラフオートエンコーダはグラフベースの複雑なデータセットを埋め込むのに非常に効率的である。しかし、ほとんどのオートエンコーダは浅い深さを持ち、その効率は層深さの増加とともに低下する傾向にある。本稿では,浅層および深層グラフ変動型およびバニラオートエンコーダに残差接続を付加する効果について検討する。残差接続によりディープグラフベースのオートエンコーダの精度が向上することを示す。さらに,残差接続の異なるグラフ変分オートエンコーダRes-VGAEを提案する。本実験は,リンク予測タスクにおける他のオートエンコーダベースモデルと比較して,優れた結果が得られることを示す。

関連論文リスト

Learning Network Representations with Disentangled Graph Auto-Encoder [1.671868610555776]
DGA(Disentangled Graph Auto-Encoder)とDVGA(Disentangled Variational Graph Auto-Encoder)を導入する。 DGAは、エンコーダとして機能するマルチチャネルメッセージパッシング層を備えた畳み込みネットワークである。 DVGAは非交叉表現の特徴を考慮に入れた因子的デコーダである。
論文参考訳（メタデータ） (2024-02-02T04:52:52Z)
ADA-GAD: Anomaly-Denoised Autoencoders for Graph Anomaly Detection [84.0718034981805]
我々はAnomaly-Denoized Autoencoders for Graph Anomaly Detection (ADA-GAD)という新しいフレームワークを導入する。第1段階では,異常レベルを低減したグラフを生成する学習自由な異常化拡張法を設計する。次の段階では、デコーダは元のグラフで検出するために再訓練される。
論文参考訳（メタデータ） (2023-12-22T09:02:01Z)
GiGaMAE: Generalizable Graph Masked Autoencoder via Collaborative Latent Space Reconstruction [76.35904458027694]
マスク付きオートエンコーダモデルは、グラフデータに対する優れた一般化能力に欠ける。本稿では,GiGaMAEと呼ばれる新しいグラフマスマスキングオートエンコーダフレームワークを提案する。私たちの結果は、グラフ構造化データに基づく基礎モデルの設計に光を当てます。
論文参考訳（メタデータ） (2023-08-18T16:30:51Z)
RGCVAE: Relational Graph Conditioned Variational Autoencoder for Molecule Design [70.59828655929194]
ディープグラフ変分自動エンコーダは、この問題に対処可能な、最も強力な機械学習ツールの1つである。 i)新しい強力なグラフ同型ネットワークを利用した符号化ネットワーク,(ii)新しい確率的復号化コンポーネントを提案する。
論文参考訳（メタデータ） (2023-05-19T14:23:48Z)
Dynamic Graph Message Passing Networks for Visual Recognition [112.49513303433606]
長距離依存のモデリングは、コンピュータビジョンにおけるシーン理解タスクに不可欠である。完全連結グラフはそのようなモデリングには有益であるが、計算オーバーヘッドは禁じられている。本稿では,計算複雑性を大幅に低減する動的グラフメッセージパッシングネットワークを提案する。
論文参考訳（メタデータ） (2022-09-20T14:41:37Z)
Variational Graph Normalized Auto-Encoders [4.416484585765027]
グラフオートエンコーダ(GAE)と変分グラフオートエンコーダ(VGAE)は,次数0のノードが関与している場合,リンク予測においてうまく機能しないことを示す。我々は,GAE/VGAEが,コンテンツの特徴に関係なく,孤立ノードの埋め込みをゼロに近いものにすることを発見した。本稿では、$L$正規化を利用して孤立ノードに対するより良い埋め込みを導出する新しい変分グラフ正規化オートエンコーダ(VGNAE)を提案する。
論文参考訳（メタデータ） (2021-08-18T08:56:04Z)
AEGCN: An Autoencoder-Constrained Graph Convolutional Network [5.023274927781062]
本稿では,オートエンコーダ制約付きグラフ畳み込みネットワークと呼ばれる新しいニューラルネットワークアーキテクチャを提案する。このモデルのコアはグラフ上で直接動作する畳み込みネットワークであり、隠れた層はオートエンコーダによって制約される。オートエンコーダの制約を追加することで,グラフ畳み込みネットワークの性能が大幅に向上することを示す。
論文参考訳（メタデータ） (2020-07-03T16:42:55Z)
Auto-decoding Graphs [91.3755431537592]
生成モデルは、潜在コードからグラフを合成することを学ぶ自動デコーダである。グラフは、おそらく接続パターンを特定するためにトレーニングされた自己アテンションモジュールを使用して合成される。
論文参考訳（メタデータ） (2020-06-04T14:23:01Z)
Learning Autoencoders with Relational Regularization [89.53065887608088]
データ分散のオートエンコーダを学習するための新しいフレームワークを提案する。エンフレレーショナル正規化によるモデルと対象分布の差を最小限にする我々はこのフレームワークを2つのスケーラブルアルゴリズムで実装し、確率的および決定論的オートエンコーダの両方に適用する。
論文参考訳（メタデータ） (2020-02-07T17:27:30Z)
Simple and Effective Graph Autoencoders with One-Hop Linear Models [25.37082257457257]
グラフ畳み込みネットワーク(GCN)エンコーダは、多くのアプリケーションにとって必要以上に複雑であることを示す。グラフの直近傍(ワンホップ)隣接行列(英語版)(direct neighborhood (one-hop) adjacency matrix) w.r.t. において、より単純で解釈可能な線形モデルで置き換えることを提案する。
論文参考訳（メタデータ） (2020-01-21T15:33:12Z)

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。