論文の概要: Simple Graph Convolutional Networks

• arxiv url: http://arxiv.org/abs/2106.05809v1
• Date: Thu, 10 Jun 2021 15:23:59 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-11 14:14:17.286362
• Title: Simple Graph Convolutional Networks
• Title（参考訳）: 単純なグラフ畳み込みネットワーク
• Authors: Luca Pasa, Nicol\`o Navarin, Wolfgang Erb, Alessandro Sperduti
• Abstract要約: 単一層グラフ畳み込みネットワークで実装可能な単純なグラフ畳み込み演算子を提案する。 我々の畳み込み演算子は、文献における多くの提案よりも理論的に基礎を置いており、検討されたベンチマークデータセットに最先端の予測性能を示す。
• 参考スコア（独自算出の注目度）: 72.92604941595019
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Many neural networks for graphs are based on the graph convolution operator, proposed more than a decade ago. Since then, many alternative definitions have been proposed, that tend to add complexity (and non-linearity) to the model. In this paper, we follow the opposite direction by proposing simple graph convolution operators, that can be implemented in single-layer graph convolutional networks. We show that our convolution operators are more theoretically grounded than many proposals in literature, and exhibit state-of-the-art predictive performance on the considered benchmark datasets.
• Abstract（参考訳）: グラフのための多くのニューラルネットワークは、10年以上前に提案されたグラフ畳み込み演算子に基づいている。 それ以来、モデルに複雑性(および非線形性)を加える傾向がある多くの代替定義が提案されている。 本稿では,単層グラフ畳み込みネットワークに実装可能な単純なグラフ畳み込み演算子を提案することにより,逆方向を追従する。 我々の畳み込み演算子は、文献における多くの提案よりも理論的に根拠があり、考慮されたベンチマークデータセットで最先端の予測性能を示す。

関連論文リスト

• Sum-Product-Set Networks: Deep Tractable Models for Tree-Structured Graphs [0.0]
  木構造グラフデータから木構造グラフデータへの確率回路の拡張である和積集合ネットワークを提案する。 我々は,ニューラルネットワークに基づく様々な抽出可能なモデルに対して,抽出可能なモデルが比較可能であることを実証した。
  論文  参考訳（メタデータ） (2024-08-14T09:13:27Z)
• Optimal Propagation for Graph Neural Networks [51.08426265813481]
  最適グラフ構造を学習するための二段階最適化手法を提案する。 また、時間的複雑さをさらに軽減するために、低ランク近似モデルについても検討する。
  論文  参考訳（メタデータ） (2022-05-06T03:37:00Z)
• Neural Graph Matching for Pre-training Graph Neural Networks [72.32801428070749]
  グラフニューラルネットワーク(GNN)は、構造データのモデリングにおいて強力な能力を示している。 GMPTと呼ばれる新しいグラフマッチングベースのGNN事前学習フレームワークを提案する。 提案手法は,完全自己指導型プレトレーニングと粗粒型プレトレーニングに適用できる。
  論文  参考訳（メタデータ） (2022-03-03T09:53:53Z)
• A Robust and Generalized Framework for Adversarial Graph Embedding [73.37228022428663]
  本稿では,AGE という逆グラフ埋め込みのための頑健なフレームワークを提案する。 AGEは、暗黙の分布から強化された負のサンプルとして偽の隣接ノードを生成する。 本フレームワークでは,3種類のグラフデータを扱う3つのモデルを提案する。
  論文  参考訳（メタデータ） (2021-05-22T07:05:48Z)
• GraphSVX: Shapley Value Explanations for Graph Neural Networks [81.83769974301995]
  グラフニューラルネットワーク(GNN)は、幾何データに基づく様々な学習タスクにおいて大きな性能を発揮する。 本稿では,既存のGNN解説者の多くが満足する統一フレームワークを提案する。 GNN用に特別に設計されたポストホックローカルモデル非依存説明法であるGraphSVXを紹介します。
  論文  参考訳（メタデータ） (2021-04-18T10:40:37Z)
• MathNet: Haar-Like Wavelet Multiresolution-Analysis for Graph Representation and Learning [31.42901131602713]
  本稿では,マルチレゾリューション・ハール型ウェーブレット(MathNet)を用いたグラフニューラルネットワークのためのフレームワークを提案する。 提案したMathNetは、特にデータセットにおいて、既存のGNNモデルよりも優れている。
  論文  参考訳（メタデータ） (2020-07-22T05:00:59Z)
• Natural Graph Networks [80.77570956520482]
  より一般的な自然性の概念がグラフネットワークを適切に定義するのに十分であることを示す。 グローバルおよびローカルな自然グラフネットワークを定義し、後者は従来のメッセージパッシンググラフニューラルネットワークと同じくらいスケーラブルである。
  論文  参考訳（メタデータ） (2020-07-16T14:19:06Z)
• Convolutional Kernel Networks for Graph-Structured Data [37.13712126432493]
  我々は,多層グラフカーネルのファミリーを導入し,グラフ畳み込みニューラルネットワークとカーネルメソッドの新たなリンクを確立する。 提案手法は,グラフをカーネル特徴写像の列として表現することにより,畳み込みカーネルネットワークをグラフ構造データに一般化する。 我々のモデルは、大規模データに対してエンドツーエンドでトレーニングすることもでき、新しいタイプのグラフ畳み込みニューラルネットワークをもたらす。
  論文  参考訳（メタデータ） (2020-03-11T09:44:03Z)
• Theoretically Expressive and Edge-aware Graph Learning [24.954342094176013]
  この分野における最近の進歩と組み合わせた新しいグラフニューラルネットワークを提案する。 我々は,このモデルがグラフ同型ネットワークやグラフニューラルネットワークよりも厳密に一般化されていることを証明した。
  論文  参考訳（メタデータ） (2020-01-24T13:43:39Z)

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。