論文の概要: Revisiting 2D Convolutional Neural Networks for Graph-based Applications
- arxiv url: http://arxiv.org/abs/2105.11016v1
- Date: Sun, 23 May 2021 20:34:43 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-26 07:06:04.400709
- Title: Revisiting 2D Convolutional Neural Networks for Graph-based Applications
- Title（参考訳）: グラフベースアプリケーションのための2次元畳み込みニューラルネットワークの再検討
- Authors: Yecheng Lyu, Xinming Huang, Ziming Zhang
- Abstract要約: グラフ畳み込みネットワーク(GCN)はグラフ分類やセグメンテーションといったグラフベースのアプリケーションで広く使われている。
CNNは大規模入力データからリッチな特徴を抽出できるが、一般的なグラフ入力はサポートしていない。
一般グラフをCNNに直接適用可能な2次元グリッドに効果的かつ効率的にマッピングする方法の問題点について検討する。
- 参考スコア（独自算出の注目度）: 24.36469430784483
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Graph convolutional networks (GCNs) are widely used in graph-based
applications such as graph classification and segmentation. However, current
GCNs have limitations on implementation such as network architectures due to
their irregular inputs. In contrast, convolutional neural networks (CNNs) are
capable of extracting rich features from large-scale input data, but they do
not support general graph inputs. To bridge the gap between GCNs and CNNs, in
this paper we study the problem of how to effectively and efficiently map
general graphs to 2D grids that CNNs can be directly applied to, while
preserving graph topology as much as possible. We therefore propose two novel
graph-to-grid mapping schemes, namely, {\em graph-preserving grid layout
(GPGL)} and its extension {\em Hierarchical GPGL (H-GPGL)} for computational
efficiency. We formulate the GPGL problem as integer programming and further
propose an approximate yet efficient solver based on a penalized Kamada-Kawai
method, a well-known optimization algorithm in 2D graph drawing. We propose a
novel vertex separation penalty that encourages graph vertices to lay on the
grid without any overlap. Along with this image representation, even extra 2D
maxpooling layers contribute to the PointNet, a widely applied point-based
neural network. We demonstrate the empirical success of GPGL on general graph
classification with small graphs and H-GPGL on 3D point cloud segmentation with
large graphs, based on 2D CNNs including VGG16, ResNet50 and multi-scale maxout
(MSM) CNN.
- Abstract（参考訳）: グラフ畳み込みネットワーク(GCN)はグラフ分類やセグメンテーションといったグラフベースのアプリケーションで広く使われている。
しかし、現在のGCNは不規則な入力のためにネットワークアーキテクチャのような実装に制限がある。
対照的に、畳み込みニューラルネットワーク(CNN)は大規模な入力データから豊富な特徴を抽出することができるが、一般的なグラフ入力をサポートしない。
本稿では,GCNとCNNのギャップを埋めるため,グラフトポロジを極力保存しつつ,CNNが直接適用可能な2次元グリッドに対して,汎用グラフを効果的かつ効率的にマップする方法の課題について検討する。
そこで我々は2つの新しいグラフ-グリッドマッピングスキーム,すなわち,計算効率向上のためのグラフ保存グリッドレイアウト(GPGL)とその拡張(H-GPGL)を提案する。
GPGL問題を整数計画法として定式化し、さらに2次元グラフ描画におけるよく知られた最適化アルゴリズムであるPenalized Kamada-Kawai法に基づく近似的かつ効率的な解法を提案する。
本稿では,グラフ頂点が重なり合うことなくグリッド上に配置することを奨励する新たな頂点分離ペナルティを提案する。
この画像表現に加えて、余分な2D最大値層も、広く応用されたポイントベースニューラルネットワークであるPointNetに寄与する。
本稿では,VGG16,ResNet50,Multi-scale maxout (MSM) CNNなどの2次元CNNをベースとした3次元点群クラウドセグメンテーションにおけるGPGLとH-GPGLの一般グラフ分類における実験的な成功例を示す。
関連論文リスト
- Spectral Greedy Coresets for Graph Neural Networks [61.24300262316091]
ノード分類タスクにおける大規模グラフの利用は、グラフニューラルネットワーク(GNN)の現実的な応用を妨げる
本稿では,GNNのグラフコアセットについて検討し,スペクトル埋め込みに基づくエゴグラフの選択により相互依存の問題を回避する。
我々のスペクトルグレディグラフコアセット(SGGC)は、数百万のノードを持つグラフにスケールし、モデル事前学習の必要性を排除し、低ホモフィリーグラフに適用する。
論文 参考訳（メタデータ） (2024-05-27T17:52:12Z) - Training Graph Neural Networks on Growing Stochastic Graphs [114.75710379125412]
グラフニューラルネットワーク(GNN)は、ネットワーク化されたデータの意味のあるパターンを活用するために、グラフ畳み込みに依存している。
我々は,成長するグラフ列の極限オブジェクトであるグラフオンを利用して,非常に大きなグラフ上のGNNを学習することを提案する。
論文 参考訳（メタデータ） (2022-10-27T16:00:45Z) - KGNN: Harnessing Kernel-based Networks for Semi-supervised Graph
Classification [13.419578861488226]
半教師付きグラフ分類のための Kernel-based Graph Neural Network (KGNN) を提案する。
我々は,KGNNが競争ベースラインよりも優れた性能を発揮することを示す。
論文 参考訳（メタデータ） (2022-05-21T10:03:46Z) - Neighbor2Seq: Deep Learning on Massive Graphs by Transforming Neighbors
to Sequences [55.329402218608365]
本研究では,各ノードの階層的近傍をシーケンスに変換するためにNeighbor2Seqを提案する。
1100万以上のノードと160億のエッジを持つ大規模グラフ上で,本手法の評価を行った。
その結果,提案手法は大規模グラフに対してスケーラブルであり,大規模グラフと中規模グラフにまたがる優れた性能を実現する。
論文 参考訳（メタデータ） (2022-02-07T16:38:36Z) - Increase and Conquer: Training Graph Neural Networks on Growing Graphs [116.03137405192356]
本稿では,このグラフからBernoulliをサンプリングしたグラフ上でGNNをトレーニングすることで,WNN(Graphon Neural Network)を学習する問題を考察する。
これらの結果から着想を得た大規模グラフ上でGNNを学習するアルゴリズムを提案する。
論文 参考訳（メタデータ） (2021-06-07T15:05:59Z) - GraphTheta: A Distributed Graph Neural Network Learning System With
Flexible Training Strategy [5.466414428765544]
新しい分散グラフ学習システムGraphThetaを紹介します。
複数のトレーニング戦略をサポートし、大規模グラフ上で効率的でスケーラブルな学習を可能にします。
この仕事は、文学における10億規模のネットワーク上で実施された最大のエッジアトリビュートGNN学習タスクを表します。
論文 参考訳（メタデータ） (2021-04-21T14:51:33Z) - A Unified Lottery Ticket Hypothesis for Graph Neural Networks [82.31087406264437]
本稿では,グラフ隣接行列とモデルの重み付けを同時に行う統一GNNスペーシフィケーション(UGS)フレームワークを提案する。
グラフ宝くじ(GLT)をコアサブデータセットとスパースサブネットワークのペアとして定義することにより、人気のある宝くじチケット仮説を初めてGNNsにさらに一般化します。
論文 参考訳（メタデータ） (2021-02-12T21:52:43Z) - Scaling Graph Neural Networks with Approximate PageRank [64.92311737049054]
GNNにおける情報拡散の効率的な近似を利用したPPRGoモデルを提案する。
高速であることに加えて、PPRGoは本質的にスケーラブルであり、業界設定で見られるような大規模なデータセットに対して、自明に並列化することができる。
このグラフのすべてのノードに対するPPRGoのトレーニングとラベルの予測には1台のマシンで2分未満で、同じグラフ上の他のベースラインをはるかに上回ります。
論文 参考訳（メタデータ） (2020-07-03T09:30:07Z) - Geom-GCN: Geometric Graph Convolutional Networks [15.783571061254847]
本稿では,この2つの弱点を克服するために,グラフニューラルネットワークのための新しい幾何集約手法を提案する。
提案したアグリゲーションスキームは置換不変であり、ノード埋め込み、構造近傍、二レベルアグリゲーションという3つのモジュールから構成される。
また,このスキームをGeom-GCNと呼ばれるグラフ畳み込みネットワークに実装し,グラフ上でトランスダクティブ学習を行う。
論文 参考訳（メタデータ） (2020-02-13T00:03:09Z)
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。