Fugu-MT 論文翻訳(概要): The Power of the Weisfeiler-Leman Algorithm for Machine Learning with Graphs

論文の概要: The Power of the Weisfeiler-Leman Algorithm for Machine Learning with Graphs

arxiv url: http://arxiv.org/abs/2105.05911v1
Date: Wed, 12 May 2021 19:05:18 GMT
ステータス: 処理完了
システム内更新日: 2021-05-14 14:04:44.963690
Title: The Power of the Weisfeiler-Leman Algorithm for Machine Learning with Graphs
Title（参考訳）: グラフを用いた機械学習のためのWeisfeiler-Lemanアルゴリズムのパワー
Authors: Christopher Morris, Matthias Fey, Nils M. Kriege
Abstract要約: 機械学習環境におけるWeisfeiler-Lemanアルゴリズムの使用に関する包括的な概要を示す。理論的な背景を論じ、グラフとノードの分類にどのように使うかを示し、最近の拡張とニューラルアーキテクチャとの関係について論じる。
参考スコア（独自算出の注目度）: 13.497404066306501
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In recent years, algorithms and neural architectures based on the Weisfeiler-Leman algorithm, a well-known heuristic for the graph isomorphism problem, emerged as a powerful tool for (supervised) machine learning with graphs and relational data. Here, we give a comprehensive overview of the algorithm's use in a machine learning setting. We discuss the theoretical background, show how to use it for supervised graph- and node classification, discuss recent extensions, and its connection to neural architectures. Moreover, we give an overview of current applications and future directions to stimulate research.
Abstract（参考訳）: 近年、グラフ同型問題の有名なヒューリスティックであるweisfeiler-lemanアルゴリズムに基づくアルゴリズムとニューラルネットワークが、グラフとリレーショナルデータを用いた(教師あり)機械学習の強力なツールとして登場した。本稿では,機械学習環境におけるアルゴリズムの利用について概観する。理論的な背景を論じ、グラフとノードの分類にどのように使うかを示し、最近の拡張とニューラルアーキテクチャとの関係について論じる。さらに,研究を刺激するための現在の応用状況と今後の方向性について概説する。

関連論文リスト

Foundations and Frontiers of Graph Learning Theory [81.39078977407719]
グラフ学習の最近の進歩は、複雑な構造を持つデータを理解し分析する方法に革命をもたらした。グラフニューラルネットワーク(GNN)、すなわちグラフ表現を学習するために設計されたニューラルネットワークアーキテクチャは、一般的なパラダイムとなっている。本稿では,グラフ学習モデルに固有の近似と学習行動に関する理論的基礎とブレークスルーについて概説する。
論文参考訳（メタデータ） (2024-07-03T14:07:41Z)
Towards Graph Foundation Models: A Survey and Beyond [66.37994863159861]
ファンデーションモデルは、さまざまな人工知能アプリケーションにおいて重要なコンポーネントとして現れてきた。基礎モデルがグラフ機械学習研究者を一般化し、適応させる能力は、新しいグラフ学習パラダイムを開発する可能性について議論する。本稿では,グラフ基礎モデル(GFM)の概念を紹介し,その重要な特徴と基礎技術について概説する。
論文参考訳（メタデータ） (2023-10-18T09:31:21Z)
A Comprehensive Survey on Deep Graph Representation Learning [26.24869157855632]
グラフ表現学習は、高次元スパースグラフ構造化データを低次元密度ベクトルに符号化することを目的としている。従来の手法ではモデル能力に制限があり、学習性能に制限がある。深層グラフ表現学習は、浅い(伝統的な)方法よりも大きな可能性と利点を示している。
論文参考訳（メタデータ） (2023-04-11T08:23:52Z)
A Theory of Link Prediction via Relational Weisfeiler-Leman on Knowledge Graphs [6.379544211152605]
グラフニューラルネットワークは、グラフ構造化データ上での表現学習のための顕著なモデルである。私たちの目標は、知識グラフのためのグラフニューラルネットワークのランドスケープを体系的に理解することです。
論文参考訳（メタデータ） (2023-02-04T17:40:03Z)
State of the Art and Potentialities of Graph-level Learning [54.68482109186052]
グラフレベルの学習は、比較、回帰、分類など、多くのタスクに適用されている。グラフの集合を学習する伝統的なアプローチは、サブストラクチャのような手作りの特徴に依存している。ディープラーニングは、機能を自動的に抽出し、グラフを低次元表現に符号化することで、グラフレベルの学習をグラフの規模に適応させるのに役立っている。
論文参考訳（メタデータ） (2023-01-14T09:15:49Z)
Bayesian Deep Learning for Graphs [6.497816402045099]
論文は、この分野のほとんどのメソッドが構築される原則のレビューから始まり、続いてグラフ分類問題の研究が続く。そこから、ディープアーキテクチャを漸進的に構築することで、グラフのディープラーニングに関する基本的なアイデアをベイジアンの世界に橋渡しします。このフレームワークにより、離散的かつ連続的なエッジ特徴を持つグラフを考慮し、いくつかの分類タスクで最先端に達するのに十分な教師なしの埋め込みを生成することができる。
論文参考訳（メタデータ） (2022-02-24T20:18:41Z)
Automated Graph Machine Learning: Approaches, Libraries, Benchmarks and Directions [58.220137936626315]
本稿では,グラフ機械学習の自動手法について論じる。当社の専用かつ世界初のグラフ機械学習のためのオープンソースライブラリであるAutoGLを紹介します。また、統一的で再現性があり、効率的な評価をサポートする調整されたベンチマークについて述べる。
論文参考訳（メタデータ） (2022-01-04T18:31:31Z)
Weisfeiler and Leman go Machine Learning: The Story so far [41.069698435199705]
Wesfeiler-Lemanアルゴリズムの機械学習環境における利用について概観する。理論的背景を議論し、グラフとノード表現の教師付き学習にそれを使う方法を示し、最近の拡張について議論し、アルゴリズムの(置換-)同変ニューラルアーキテクチャとの関係を概説する。
論文参考訳（メタデータ） (2021-12-18T20:14:11Z)
Learning through structure: towards deep neuromorphic knowledge graph embeddings [0.5906031288935515]
本稿では,知識グラフ推論のための深層グラフ学習アーキテクチャをニューロモルフィックアーキテクチャにマッピングする戦略を提案する。ランダムかつ未学習のグラフニューラルネットワークが局所的なグラフ構造を保存することができるという知見に基づいて、凍結したニューラルネットワークの浅い知識グラフ埋め込みモデルを構成する。我々は,従来型のハードウェア上では,性能水準を維持しながら,高速化とメモリの大幅な削減を実現していることを示す。
論文参考訳（メタデータ） (2021-09-21T18:01:04Z)
A Heterogeneous Graph with Factual, Temporal and Logical Knowledge for Question Answering Over Dynamic Contexts [81.4757750425247]
動的テキスト環境における質問応答について検討する。構築したグラフ上にグラフニューラルネットワークを構築し,エンドツーエンドでモデルをトレーニングする。
論文参考訳（メタデータ） (2020-04-25T04:53:54Z)

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。