Fugu-MT 論文翻訳(概要): Position-Sensing Graph Neural Networks: Proactively Learning Nodes Relative Positions

論文の概要: Position-Sensing Graph Neural Networks: Proactively Learning Nodes Relative Positions

arxiv url: http://arxiv.org/abs/2105.11346v1
Date: Mon, 24 May 2021 15:30:30 GMT
ステータス: 処理完了
システム内更新日: 2021-05-25 15:05:22.490206
Title: Position-Sensing Graph Neural Networks: Proactively Learning Nodes Relative Positions
Title（参考訳）: 位置センシンググラフニューラルネットワーク : ノード相対位置を積極的に学習する
Authors: Zhenyue Qin and Saeed Anwar and Dongwoo Kim and Yang Liu and Pan Ji and Tom Gedeon
Abstract要約: 既存のグラフニューラルネットワーク(GNN)は、メッセージパッシングとアグリゲーションのフレームワークを使用してノードの埋め込みを学習する。本稿では,位置検出型グラフニューラルネットワーク(PSGNN)を提案する。 PSGNNs on average boost AUC more than 14% for pairwise node classification and 18% for link prediction。
参考スコア（独自算出の注目度）: 26.926733376090052
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Most existing graph neural networks (GNNs) learn node embeddings using the framework of message passing and aggregation. Such GNNs are incapable of learning relative positions between graph nodes within a graph. To empower GNNs with the awareness of node positions, some nodes are set as anchors. Then, using the distances from a node to the anchors, GNNs can infer relative positions between nodes. However, P-GNNs arbitrarily select anchors, leading to compromising position-awareness and feature extraction. To eliminate this compromise, we demonstrate that selecting evenly distributed and asymmetric anchors is essential. On the other hand, we show that choosing anchors that can aggregate embeddings of all the nodes within a graph is NP-hard. Therefore, devising efficient optimal algorithms in a deterministic approach is practically not feasible. To ensure position-awareness and bypass NP-completeness, we propose Position-Sensing Graph Neural Networks (PSGNNs), learning how to choose anchors in a back-propagatable fashion. Experiments verify the effectiveness of PSGNNs against state-of-the-art GNNs, substantially improving performance on various synthetic and real-world graph datasets while enjoying stable scalability. Specifically, PSGNNs on average boost AUC more than 14% for pairwise node classification and 18% for link prediction over the existing state-of-the-art position-aware methods. Our source code is publicly available at: https://github.com/ZhenyueQin/PSGNN
Abstract（参考訳）: 既存のグラフニューラルネットワーク(GNN)は、メッセージパッシングとアグリゲーションのフレームワークを使用してノードの埋め込みを学ぶ。このようなGNNはグラフ内のグラフノード間の相対的な位置を学習することができない。 gnnにノードの位置を認識させるため、いくつかのノードはアンカーとして設定される。そして、ノードからアンカーまでの距離を使って、GNNはノード間の相対的な位置を推測することができる。しかし、P-GNNは任意にアンカーを選択し、位置認識と特徴抽出を妥協させる。この妥協を排除するために、均等分布と非対称アンカーの選択が不可欠であることを示す。一方,グラフ内のすべてのノードの埋め込みを集約できるアンカーの選択はnpハードであることが示されている。したがって、決定論的アプローチで効率的なアルゴリズムを考案することは事実上不可能である。位置認識とNP完全性を回避するために,位置認識グラフニューラルネットワーク(PSGNN)を提案する。実験は、最先端gnnに対するpsgnnの有効性を検証し、安定したスケーラビリティを保ちながら、様々な合成および実世界のグラフデータセットのパフォーマンスを大幅に向上させる。特に、PSGNNは、ペアワイズノード分類で14%以上、既存の最先端位置認識手法でリンク予測で18%以上、AUCを14%以上押し上げている。私たちのソースコードは、https://github.com/ZhenyueQin/PSGNNで公開されています。

関連論文リスト

Bring Your Own View: Graph Neural Networks for Link Prediction with Personalized Subgraph Selection [57.34881616131377]
異なるエッジに対して最適なサブグラフを自動,個人的,帰納的に識別するプラグイン・アンド・プレイ・フレームワークとしてパーソナライズされたサブグラフセレクタ(PS2)を導入する。 PS2は二段階最適化問題としてインスタンス化され、効率よく解ける。 GNNLPトレーニングに対する新たなアプローチとして,まずエッジの最適な部分グラフを識別し,次にサンプル部分グラフを用いて推論モデルをトレーニングすることを提案する。
論文参考訳（メタデータ） (2022-12-23T17:30:19Z)
Every Node Counts: Improving the Training of Graph Neural Networks on Node Classification [9.539495585692007]
ノード分類のためのGNNのトレーニングのための新しい目的語を提案する。我々の第一項は、ノードとラベルの特徴間の相互情報を最大化することを目的としている。第2項は予測写像における異方的滑らか性を促進する。
論文参考訳（メタデータ） (2022-11-29T23:25:14Z)
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)
Position-based Hash Embeddings For Scaling Graph Neural Networks [8.87527266373087]
グラフニューラルネットワーク(GNN)は、ノードのエゴネットワークのトポロジとエゴネットワークのノードの特徴を考慮したノード表現を演算する。ノードが高品質な機能を持っていない場合、GNNはノードの埋め込みを計算するために埋め込み層を学び、それらを入力機能として使用する。この埋め込みレイヤに関連するメモリを削減するため、NLPやレコメンダシステムのようなアプリケーションで一般的に使用されるハッシュベースのアプローチが利用可能である。本稿では,グラフ内のノードの位置を利用して,必要なメモリを大幅に削減する手法を提案する。
論文参考訳（メタデータ） (2021-08-31T22:42:25Z)
Identity-aware Graph Neural Networks [63.6952975763946]
グラフニューラルネットワーク(ID-GNN)を1-WLテストよりも表現力の高いメッセージクラスを開発しています。 ID-GNNは、メッセージパッシング中にノードのIDを誘導的に考慮することにより、既存のGNNアーキテクチャを拡張します。既存のGNNをID-GNNに変換すると、挑戦ノード、エッジ、グラフプロパティ予測タスクの平均40%の精度が向上することを示す。
論文参考訳（メタデータ） (2021-01-25T18:59:01Z)
Distance Encoding: Design Provably More Powerful Neural Networks for Graph Representation Learning [63.97983530843762]
グラフニューラルネットワーク(GNN)はグラフ表現学習において大きな成功を収めている。 GNNは、実際には非常に異なるグラフ部分構造に対して同一の表現を生成する。より強力なGNNは、最近高階試験を模倣して提案され、基礎となるグラフ構造を疎結合にできないため、非効率である。本稿では,グラフ表現学習の新たなクラスとして距離分解(DE)を提案する。
論文参考訳（メタデータ） (2020-08-31T23:15:40Z)
GraphReach: Position-Aware Graph Neural Network using Reachability Estimations [12.640837452980332]
GraphReachは位置認識型誘導型GNNで、到達可能性推定を通じてノードのグローバルな位置をキャプチャする。このアンカー選択問題はNPハードであることが示され、結果としてグリーディ(1-1/e)近似が展開される。最先端のGNNアーキテクチャに対する実証的な評価は、GraphReachが正確性において最大40%の相対的な改善を提供することを示している。
論文参考訳（メタデータ） (2020-08-19T14:30:03Z)
Graph Neural Networks: Architectures, Stability and Transferability [176.3960927323358]
グラフニューラルネットワーク(GNN)は、グラフでサポートされている信号のための情報処理アーキテクチャである。これらは、個々の層がグラフ畳み込みフィルタのバンクを含む畳み込みニューラルネットワーク(CNN)の一般化である。
論文参考訳（メタデータ） (2020-08-04T18:57:36Z)
Label-Consistency based Graph Neural Networks for Semi-supervised Node Classification [47.753422069515366]
グラフニューラルネットワーク(GNN)は,グラフに基づく半教師付きノード分類において顕著な成功を収めている。本稿では,GNNにおけるノードの受容領域を拡大するために,ノードペアが接続されていないが同一のラベルを持つラベル一貫性に基づくグラフニューラルネットワーク(LC-GNN)を提案する。ベンチマークデータセットの実験では、LC-GNNはグラフベースの半教師付きノード分類において従来のGNNよりも優れていた。
論文参考訳（メタデータ） (2020-07-27T11:17:46Z)
Towards Deeper Graph Neural Networks with Differentiable Group Normalization [61.20639338417576]
グラフニューラルネットワーク(GNN)は、隣接するノードを集約することでノードの表現を学習する。オーバースムーシングは、レイヤーの数が増えるにつれてGNNのパフォーマンスが制限される重要な問題のひとつです。 2つのオーバースムースなメトリクスと新しいテクニック、すなわち微分可能群正規化(DGN)を導入する。
論文参考訳（メタデータ） (2020-06-12T07:18:02Z)
Bilinear Graph Neural Network with Neighbor Interactions [106.80781016591577]
グラフニューラルネットワーク(GNN)は,グラフデータ上で表現を学習し,予測を行う強力なモデルである。本稿では,グラフ畳み込み演算子を提案し,隣接するノードの表現の対の相互作用で重み付け和を増大させる。このフレームワークをBGNN(Bilinear Graph Neural Network)と呼び、隣ノード間の双方向相互作用によるGNN表現能力を向上させる。
論文参考訳（メタデータ） (2020-02-10T06:43:38Z)

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。