論文の概要: Residual Network and Embedding Usage: New Tricks of Node Classification with Graph Convolutional Networks

• arxiv url: http://arxiv.org/abs/2105.08330v1
• Date: Tue, 18 May 2021 07:52:51 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-19 13:55:33.083053
• Title: Residual Network and Embedding Usage: New Tricks of Node Classification with Graph Convolutional Networks
• Title（参考訳）: 残留ネットワークと埋め込み利用:グラフ畳み込みネットワークを用いたノード分類の新手法
• Authors: Huixuan Chi, Yuying Wang, Qinfen Hao, Hong Xia
• Abstract要約: まず、GCNのミニバッチトレーニングで使われる既存の効果的なトリックを要約する。 これに基づいて、GCN_res FrameworkとEmbedding Usageという2つの新しいトリックが提案されている。 Open Graph Benchmarkの実験では、これらの手法を組み合わせることで、様々なGCNのテスト精度が1.21%2.84%向上した。
• 参考スコア（独自算出の注目度）: 0.38233569758620045
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graph Convolutional Networks (GCNs) and subsequent variants have been proposed to solve tasks on graphs, especially node classification tasks. In the literature, however, most tricks or techniques are either briefly mentioned as implementation details or only visible in source code. In this paper, we first summarize some existing effective tricks used in GCNs mini-batch training. Based on this, two novel tricks named GCN_res Framework and Embedding Usage are proposed by leveraging residual network and pre-trained embedding to improve baseline's test accuracy in different datasets. Experiments on Open Graph Benchmark (OGB) show that, by combining these techniques, the test accuracy of various GCNs increases by 1.21%~2.84%. We open source our implementation at https://github.com/ytchx1999/PyG-OGB-Tricks.
• Abstract（参考訳）: グラフ畳み込みネットワーク(GCN)とその後の変種は、グラフ上のタスク、特にノード分類タスクを解決するために提案されている。 しかし文献では、ほとんどのトリックやテクニックが実装の詳細として言及されているか、ソースコードでしか見えない。 本稿ではまず,GCNのミニバッチトレーニングで使用される既存の効果的なトリックについて要約する。 これに基づいて,gcn_resフレームワークと組込み使用法という2つの新しい手法が,異なるデータセットにおけるベースラインのテスト精度を向上させるために,残差ネットワークと事前学習された組込みを活用することで提案されている。 Open Graph Benchmark (OGB) の実験では、これらの手法を組み合わせることで、様々なGCNのテスト精度が1.21%〜2.84%向上した。 実装はhttps://github.com/ytchx 1999/PyG-OGB-Tricks.comで公開しています。

関連論文リスト

• Graph Convolutional Network For Semi-supervised Node Classification With Subgraph Sketching [0.27624021966289597]
  本稿では,GLDGCNと呼ばれるグラフ学習型グラフ畳み込みニューラルネットワークを提案する。 半教師付きノード分類タスクにGLDGCNを適用する。 ベースライン手法と比較して,3つの引用ネットワークの分類精度が向上する。
  論文  参考訳（メタデータ） (2024-04-19T09:08:12Z)
• SimTeG: A Frustratingly Simple Approach Improves Textual Graph Learning [131.04781590452308]
  テキストグラフ学習におけるフラストレーションに富んだアプローチであるSimTeGを提案する。 まず、下流タスクで予め訓練されたLM上で、教師付きパラメータ効率の微調整(PEFT)を行う。 次に、微調整されたLMの最後の隠れ状態を用いてノード埋め込みを生成する。
  論文  参考訳（メタデータ） (2023-08-03T07:00:04Z)
• SeedGNN: Graph Neural Networks for Supervised Seeded Graph Matching [23.60042970011082]
  本稿では,数個の種で未知のグラフをマッチングする新しい教師付き手法を提案する。 このアーキテクチャには、シードグラフマッチングの理論研究に触発された、いくつかの新しい設計が含まれている。 合成グラフおよび実世界のグラフ上でのSeedGNNの評価を行い,非学習アルゴリズムと学習アルゴリズムの両方に対して大幅な性能向上を示した。
  論文  参考訳（メタデータ） (2022-05-26T23:50:42Z)
• DOTIN: Dropping Task-Irrelevant Nodes for GNNs [119.17997089267124]
  最近のグラフ学習アプローチでは、学習のためのグラフのサイズを減らすためのプール戦略が導入されている。 我々はDOTIN(underlineDrunderlineopping underlineTask-underlineIrrelevant underlineNodes)と呼ばれる新しいアプローチを設計し、グラフのサイズを減らす。 本手法は,グラフ分類やグラフ編集距離を含むグラフレベルのタスクにおいて,GATを約50%高速化する。
  論文  参考訳（メタデータ） (2022-04-28T12:00:39Z)
• Scalable Graph Neural Networks via Bidirectional Propagation [89.70835710988395]
  グラフニューラルネットワーク(GNN)は、非ユークリッドデータを学習するための新興分野である。 本稿では、特徴ベクトルとトレーニング/テストノードの両方から局所的な双方向伝搬プロセスを利用するスケーラブルなGNNであるGBPを提案する。 実証実験により、GBPは、トレーニング/テスト時間を大幅に減らして最先端のパフォーマンスを達成することが示された。
  論文  参考訳（メタデータ） (2020-10-29T08:55:33Z)
• Bi-GCN: Binary Graph Convolutional Network [57.733849700089955]
  ネットワークパラメータと入力ノードの特徴を二項化するバイナリグラフ畳み込みネットワーク(Bi-GCN)を提案する。 我々のBi-GCNは、ネットワークパラメータと入力データの両方で平均30倍のメモリ消費を削減でき、推論速度を平均47倍に加速できる。
  論文  参考訳（メタデータ） (2020-10-15T07:26:23Z)
• Simple and Deep Graph Convolutional Networks [63.76221532439285]
  グラフ畳み込みネットワーク(GCN)は、グラフ構造化データに対する強力なディープラーニングアプローチである。 その成功にもかかわらず、現在のGCNモデルは、エムの過度に滑らかな問題のため、ほとんどが浅くなっている。 本稿では,2つの単純かつ効果的な手法を用いて,バニラGCNモデルを拡張したGCNIIを提案する。
  論文  参考訳（メタデータ） (2020-07-04T16:18:06Z)
• Sequential Graph Convolutional Network for Active Learning [53.99104862192055]
  逐次グラフ畳み込みネットワーク(GCN)を用いた新しいプールベースアクティブラーニングフレームワークを提案する。 少数のランダムなサンプル画像がシードラベル付き例であるので、グラフのパラメータを学習してラベル付きノードと非ラベル付きノードを区別する。 我々はGCNの特性を利用してラベル付けされたものと十分に異なる未ラベルの例を選択する。
  論文  参考訳（メタデータ） (2020-06-18T00:55:10Z)

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。