論文の概要: Stability of Manifold Neural Networks to Deformations
- arxiv url: http://arxiv.org/abs/2106.03725v1
- Date: Mon, 7 Jun 2021 15:41:03 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-09 01:23:35.776800
- Title: Stability of Manifold Neural Networks to Deformations
- Title(参考訳): マニフォールドニューラルネットワークの変形に対する安定性
- Authors: Zhiyang Wang, Luana Ruiz, Alejandro Ribeiro
- Abstract要約: 既存の安定性の結果はグラフのサイズに依存し、適度な大きさのグラフに適用性を制限する。
ニューラルネットワークは多様体上でサポートされ、ラプラス・ベルトラミ作用素の絶対摂動と相対摂動の両方に対して安定であることを示す。
無線ネットワークにおける資源配分問題において,結果が数値的に説明される。
- 参考スコア(独自算出の注目度): 118.84154142918214
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: Stability is an important property of graph neural networks (GNNs) which
explains their success in many problems of practical interest. Existing GNN
stability results depend on the size of the graph, restricting applicability to
graphs of moderate size. To understand the stability properties of GNNs on
large graphs, we consider neural networks supported on manifolds. These are
defined in terms of manifold diffusions mediated by the Laplace-Beltrami (LB)
operator and are interpreted as limits of GNNs running on graphs of growing
size. We define manifold deformations and show that they lead to perturbations
of the manifold's LB operator that consist of an absolute and a relative
perturbation term. We then define filters that split the infinite dimensional
spectrum of the LB operator in finite partitions, and prove that manifold
neural networks (MNNs) with these filters are stable to both, absolute and
relative perturbations of the LB operator. Stability results are illustrated
numerically in resource allocation problems in wireless networks.
- Abstract(参考訳): 安定性はグラフニューラルネットワーク(GNN)の重要な性質であり、実践的な関心を持つ多くの問題においてその成功を説明する。
既存のGNNの安定性はグラフのサイズに依存し、適度なサイズのグラフに適用性を制限する。
大規模グラフ上でのGNNの安定性特性を理解するために,ニューラルネットワークを多様体上でサポートすることを考える。
これらはラプラス・ベルトラミ作用素(LB)によって媒介される多様体拡散の項で定義され、成長する大きさのグラフ上で走るGNNの極限として解釈される。
多様体の変形を定義し、それが絶対かつ相対的な摂動項からなる多様体のLB作用素の摂動につながることを示す。
次に、LB作用素の無限次元スペクトルを有限分割で分割するフィルタを定義し、これらのフィルタを持つ多様体ニューラルネットワーク(MNN)がLB作用素の絶対摂動と相対摂動の両方に対して安定であることを証明する。
無線ネットワークにおける資源割当問題において,安定性は数値的に示される。
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) - GrassNet: State Space Model Meets Graph Neural Network [57.62885438406724]
Graph State Space Network (GrassNet)は、任意のグラフスペクトルフィルタを設計するためのシンプルで効果的なスキームを提供する理論的なサポートを持つ、新しいグラフニューラルネットワークである。
我々の知る限り、我々の研究はグラフGNNスペクトルフィルタの設計にSSMを使った最初のものである。
9つの公開ベンチマークでの大規模な実験により、GrassNetは現実世界のグラフモデリングタスクにおいて優れたパフォーマンスを達成することが明らかになった。
論文 参考訳(メタデータ) (2024-08-16T07:33:58Z) - Shape-aware Graph Spectral Learning [36.63516222161871]
スペクトル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GNNの限界を超える能力に注目されている。
いくつかの研究は、好ましいグラフ周波数がグラフホモフィリーレベルと関連していることを実証的に示している。
このグラフ周波数とホモフィリー・ヘテロフィリーグラフの関係は、既存のスペクトルGNNにおいて体系的に解析され検討されていない。
我々は、任意のスペクトルフィルタを学習し、対応するホモフィリーレベルの所望の形状に関する事前知識を組み込むことができるニュートン補間に基づくスペクトルフィルタの形状認識正則化を提案する。
論文 参考訳(メタデータ) (2023-10-16T04:57:30Z) - 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) - Node-oriented Spectral Filtering for Graph Neural Networks [38.0315325181726]
グラフニューラルネットワーク(GNN)は、ホモ親和性グラフデータに顕著な性能を示す。
一般に、グローバルな視点からグラフ上の普遍的なスペクトルフィルタを学習することは、局所的なパターンの変化に適応する上で非常に困難である。
グラフニューラルネットワーク(NFGNN)のためのノード指向スペクトルフィルタリングを提案する。
論文 参考訳(メタデータ) (2022-12-07T14:15:28Z) - Stability of Aggregation Graph Neural Networks [153.70485149740608]
グラフの摂動を考慮したアグリゲーショングラフニューラルネットワーク(Agg-GNN)の安定性特性について検討した。
安定性境界は各ノードに作用するCNNの第1層におけるフィルタの特性によって定義される。
また、Agg-GNNでは、写像演算子の選択性は、CNNステージの第1層においてのみフィルタの特性に結びついていると結論付けている。
論文 参考訳(メタデータ) (2022-07-08T03:54:52Z) - 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) - Interpretable Stability Bounds for Spectral Graph Filters [12.590415345079991]
フィルタの安定性について検討し,フィルタ出力の変化に関する新しい解釈可能な上界を提供する。
この上界は、スペクトルグラフフィルタが安定であるときに、グラフの構造的性質の観点から推論することができる。
論文 参考訳(メタデータ) (2021-02-18T19:25:52Z) - 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)
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。