論文の概要: Node-Variant Graph Filters in Graph Neural Networks

• arxiv url: http://arxiv.org/abs/2106.00089v1
• Date: Mon, 31 May 2021 20:26:53 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-02 14:06:20.178425
• Title: Node-Variant Graph Filters in Graph Neural Networks
• Title（参考訳）: グラフニューラルネットワークにおけるノード可変グラフフィルタ
• Authors: Fernando Gama, Brendon G. Anderson, Somayeh Sojoudi
• Abstract要約: ノード変動グラフフィルタ (NVGF) は, 周波数コンテンツを生成でき, 非線形活性化関数の代わりに利用できることを示す。 これは、線形であるにもかかわらず、周波数コンテンツを生成できる新しいGNNアーキテクチャをもたらす。 このように、周波数生成の役割は、従来のGNNの非線形性質とは分離される。
• 参考スコア（独自算出の注目度）: 86.72520628347787
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graph neural networks (GNNs) have been successfully employed in a myriad of applications involving graph-structured data. Theoretical findings establish that GNNs use nonlinear activation functions to create low-eigenvalue frequency content that can be processed in a stable manner by subsequent graph convolutional filters. However, the exact shape of the frequency content created by nonlinear functions is not known, and thus, it cannot be learned nor controlled. In this work, node-variant graph filters (NVGFs) are shown to be capable of creating frequency content and are thus used in lieu of nonlinear activation functions. This results in a novel GNN architecture that, although linear, is capable of creating frequency content as well. Furthermore, this new frequency content can be either designed or learned from data. In this way, the role of frequency creation is separated from the nonlinear nature of traditional GNNs. Extensive simulations are carried out to differentiate the contributions of frequency creation from those of the nonlinearity.
• Abstract（参考訳）: グラフニューラルネットワーク(GNN)は、グラフ構造化データを含む無数のアプリケーションに成功している。 理論的には、GNNは非線形アクティベーション関数を用いて、その後のグラフ畳み込みフィルタによって安定した方法で処理できる低固有値周波数コンテンツを生成する。 しかし、非線形関数によって生成された周波数内容の正確な形状は分かっておらず、学習も制御もできない。 本研究では,ノード変動グラフフィルタ (NVGF) が周波数コンテンツを生成できることが示され,非線形活性化関数の代わりに使用される。 これにより、線形ではあるが、周波数コンテンツも作成できる新しいgnnアーキテクチャが実現される。 さらに、この新しい周波数コンテンツは、データから設計または学習することができる。 このように、周波数生成の役割は、従来のGNNの非線形性質とは分離される。 周波数生成の寄与と非線形性の寄与を区別するために,広範囲なシミュレーションを行った。

関連論文リスト

• Dual-Frequency Filtering Self-aware Graph Neural Networks for Homophilic and Heterophilic Graphs [60.82508765185161]
  我々は、Dual-Frequency Filtering Self-Aware Graph Neural Networks (DFGNN)を提案する。 DFGNNは低域通過フィルタと高域通過フィルタを統合し、滑らかで詳細な位相的特徴を抽出する。 フィルター比を動的に調整し、ホモフィルグラフとヘテロフィルグラフの両方に対応する。
  論文  参考訳（メタデータ） (2024-11-18T04:57:05Z)
• Geometric Graph Filters and Neural Networks: Limit Properties and Discriminability Trade-offs [122.06927400759021]
  本稿では,グラフニューラルネットワーク (GNN) と多様体ニューラルネットワーク (MNN) の関係について検討する。 これらのグラフ上の畳み込みフィルタとニューラルネットワークが連続多様体上の畳み込みフィルタとニューラルネットワークに収束することを示す。
  論文  参考訳（メタデータ） (2023-05-29T08:27:17Z)
• Overcoming Oversmoothness in Graph Convolutional Networks via Hybrid Scattering Networks [11.857894213975644]
  本稿では,従来のGCNフィルタと幾何散乱変換を用いて定義された帯域通過フィルタを組み合わせたハイブリッドグラフニューラルネットワーク(GNN)フレームワークを提案する。 理論的には, グラフからの構造情報を活用するために散乱フィルタの相補的な利点が確立され, 実験では様々な学習課題における手法の利点が示された。
  論文  参考訳（メタデータ） (2022-01-22T00:47:41Z)
• Graph Neural Networks with Adaptive Frequency Response Filter [55.626174910206046]
  適応周波数応答フィルタを用いたグラフニューラルネットワークフレームワークAdaGNNを開発した。 提案手法の有効性を,様々なベンチマークデータセット上で実証的に検証した。
  論文  参考訳（メタデータ） (2021-04-26T19:31:21Z)
• Nonlinear State-Space Generalizations of Graph Convolutional Neural Networks [172.18295279061607]
  グラフ畳み込みニューラルネットワーク(GCNN)は、線形グラフ畳み込みを非線形にネストすることで、ネットワークデータから構成表現を学習する。 本稿では,GCNNを状態空間の観点からアプローチし,グラフ畳み込みモジュールが最小値線形状態空間モデルであることを明らかにする。 この状態更新は、非パラメトリックであり、グラフスペクトルによって爆発または消滅する可能性があるため、問題となる可能性がある。 本稿では,非線形な状態空間パラメトリック方式でノード特徴を階層内に集約し,よりよいトレードオフを実現するという,新しい結節集合規則を提案する。
  論文  参考訳（メタデータ） (2020-10-27T19:48:56Z)
• Framework for Designing Filters of Spectral Graph Convolutional Neural Networks in the Context of Regularization Theory [1.0152838128195467]
  グラフ畳み込みニューラルネットワーク(GCNN)はグラフ学習に広く利用されている。 グラフ上の滑らかさ関数はグラフラプラシアンの言葉で定義できる。 本稿では,グラフラプラシアンの正規化特性について検討し,スペクトルGCNNにおける正規化フィルタ設計のための一般化されたフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-09-29T06:19:08Z)
• Graphon Pooling in Graph Neural Networks [169.09536309161314]
  グラフニューラルネットワーク(GNN)は、グラフによってモデル化された不規則構造上の信号の処理を含む様々なアプリケーションで効果的に使用されている。 本稿では,グラフのスペクトル特性を保存したグラフオンを用いて,GNNのプールとサンプリングを行う新しい手法を提案する。
  論文  参考訳（メタデータ） (2020-03-03T21:04:20Z)

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。