論文の概要: Learning subtree pattern importance for Weisfeiler-Lehmanbased graph kernels

• arxiv url: http://arxiv.org/abs/2106.04739v1
• Date: Tue, 8 Jun 2021 23:47:44 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-10 15:06:00.037757
• Title: Learning subtree pattern importance for Weisfeiler-Lehmanbased graph kernels
• Title（参考訳）: Weisfeiler-Lehmanグラフカーネルの学習サブツリーパターンの重要性
• Authors: Dai Hai Nguyen, Canh Hao Nguyen and Hiroshi Mamitsuka
• Abstract要約: WWLカーネルのフレームワークにおけるサブツリーパターンの重み付けを学習する手法を提案する。 本稿では,効率的な学習アルゴリズムを提案するとともに,その収束を示すための一般化ギャップを導出する。
• 参考スコア（独自算出の注目度）: 15.139294083028782
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graph is an usual representation of relational data, which are ubiquitous in manydomains such as molecules, biological and social networks. A popular approach to learningwith graph structured data is to make use of graph kernels, which measure the similaritybetween graphs and are plugged into a kernel machine such as a support vector machine.Weisfeiler-Lehman (WL) based graph kernels, which employ WL labeling scheme to extract subtree patterns and perform node embedding, are demonstrated to achieve great performance while being efficiently computable. However, one of the main drawbacks of ageneral kernel is the decoupling of kernel construction and learning process. For moleculargraphs, usual kernels such as WL subtree, based on substructures of the molecules, consider all available substructures having the same importance, which might not be suitable inpractice. In this paper, we propose a method to learn the weights of subtree patterns in the framework of WWL kernels, the state of the art method for graph classification task [14]. To overcome the computational issue on large scale data sets, we present an efficient learning algorithm and also derive a generalization gap bound to show its convergence. Finally, through experiments on synthetic and real-world data sets, we demonstrate the effectiveness of our proposed method for learning the weights of subtree patterns.
• Abstract（参考訳）: グラフはリレーショナルデータの通常の表現であり、分子、生物、社会ネットワークなど多くのドメインに共通している。 グラフ構造化データを学習するための一般的なアプローチは、グラフ間の類似度を測定し、サポートベクターマシンなどのカーネルマシンにプラグインするグラフカーネルを使用することである。weisfeiler-lehman(wl)ベースのグラフカーネルは、wlラベリングスキームを使用してサブツリーパターンを抽出し、ノード埋め込みを行う。 しかし、ageneral kernelの主な欠点の1つは、カーネル構築と学習プロセスの分離である。 分子グラフでは、wlサブツリーのような通常のカーネルは、分子のサブ構造に基づいて、同じ重要性を持つ全ての利用可能なサブ構造を考える。 本稿では,wwlカーネルの枠組みにおける部分木パターンの重みを学習する手法を提案する[14]。 大規模データセット上での計算問題を克服するため,効率的な学習アルゴリズムを提案し,その収束を示す一般化ギャップを導出する。 最後に, 合成および実世界のデータセット実験を通じて, サブツリーパターンの重みを学習するための提案手法の有効性を実証した。

関連論文リスト

• Exploring Consistency in Graph Representations:from Graph Kernels to Graph Neural Networks [4.235378870514331]
  グラフネットワーク(GNN)は、グラフ表現学習において支配的なアプローチとして現れている。 ニューラルネットワーク手法とカーネルアプローチのギャップを橋渡しし、GNNが学習した表現の構造を一貫してキャプチャできるようにすることで、そのギャップを埋める。 これらの知見に触発されて、GNN層間のグラフ表現の類似性の整合性は、関係構造を捕捉し、グラフ分類性能を向上させる上で重要であると推測した。
  論文  参考訳（メタデータ） (2024-10-31T09:07:08Z)
• Bures-Wasserstein Means of Graphs [60.42414991820453]
  本研究では,スムーズなグラフ信号分布の空間への埋め込みを通じて,グラフ平均を定義する新しいフレームワークを提案する。 この埋め込み空間において平均を求めることにより、構造情報を保存する平均グラフを復元することができる。 我々は,新しいグラフの意味の存在と特異性を確立し,それを計算するための反復アルゴリズムを提供する。
  論文  参考訳（メタデータ） (2023-05-31T11:04:53Z)
• Labeled Subgraph Entropy Kernel [11.812319306576816]
  本稿では,構造的類似性評価に優れたラベル付きサブグラフエントロピーグラフカーネルを提案する。 動的プログラムサブグラフ列挙アルゴリズムを設計し,時間的複雑性を効果的に低減する。 提案手法をテストするために,複数の実世界のデータセットを適用し,異なるタスクの効果を評価する。
  論文  参考訳（メタデータ） (2023-03-21T12:27:21Z)
• Graph Kernel Neural Networks [53.91024360329517]
  本稿では、グラフ上の内部積を計算するカーネル関数であるグラフカーネルを用いて、標準畳み込み演算子をグラフ領域に拡張することを提案する。 これにより、入力グラフの埋め込みを計算する必要のない完全に構造的なモデルを定義することができる。 私たちのアーキテクチャでは,任意の種類のグラフカーネルをプラグインすることが可能です。
  論文  参考訳（メタデータ） (2021-12-14T14:48:08Z)
• Effective and Efficient Graph Learning for Multi-view Clustering [173.8313827799077]
  マルチビュークラスタリングのための効率的かつ効率的なグラフ学習モデルを提案する。 本手法はテンソルシャッテンp-ノルムの最小化により異なるビューのグラフ間のビュー類似性を利用する。 提案アルゴリズムは時間経済であり,安定した結果を得るとともに,データサイズによく対応している。
  論文  参考訳（メタデータ） (2021-08-15T13:14:28Z)
• Representation Learning of Reconstructed Graphs Using Random Walk Graph Convolutional Network [12.008472517000651]
  グラフのノード特異的なメソスコピック構造を得るためにランダムウォークを利用する新しいフレームワークであるwGCNを提案する。 高次局所構造情報を組み合わせることで、ネットワークの可能性をより効率的に探究できると信じている。
  論文  参考訳（メタデータ） (2021-01-02T10:31:14Z)
• Structured Graph Learning for Clustering and Semi-supervised Classification [74.35376212789132]
  データの局所構造とグローバル構造の両方を保存するためのグラフ学習フレームワークを提案する。 本手法は, サンプルの自己表現性を利用して, 局所構造を尊重するために, 大域的構造と適応的隣接アプローチを捉える。 我々のモデルは、ある条件下でのカーネルk平均法とk平均法の組合せと等価である。
  論文  参考訳（メタデータ） (2020-08-31T08:41:20Z)
• Graph Pooling with Node Proximity for Hierarchical Representation Learning [80.62181998314547]
  本稿では,ノード近接を利用したグラフプーリング手法を提案し,そのマルチホップトポロジを用いたグラフデータの階層的表現学習を改善する。 その結果,提案したグラフプーリング戦略は,公開グラフ分類ベンチマークデータセットの集合において,最先端のパフォーマンスを達成できることが示唆された。
  論文  参考訳（メタデータ） (2020-06-19T13:09:44Z)
• Graph Neural Networks with Composite Kernels [60.81504431653264]
  カーネル重み付けの観点からノード集約を再解釈する。 本稿では,アグリゲーション方式における特徴類似性を考慮したフレームワークを提案する。 特徴空間における特徴類似性をエンコードするために,元の隣り合うカーネルと学習可能なカーネルの合成として特徴集約を提案する。
  論文  参考訳（メタデータ） (2020-05-16T04:44:29Z)

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。