論文の概要: Message Passing in Graph Convolution Networks via Adaptive Filter Banks
- arxiv url: http://arxiv.org/abs/2106.09910v1
- Date: Fri, 18 Jun 2021 04:23:34 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-21 14:26:20.206705
- Title: Message Passing in Graph Convolution Networks via Adaptive Filter Banks
- Title(参考訳): 適応フィルタバンクによるグラフ畳み込みネットワーク内のメッセージパッシング
- Authors: Xing Gao, Wenrui Dai, Chenglin Li, Junni Zou, Hongkai Xiong, Pascal
Frossard
- Abstract要約: 我々は BankGCN と呼ばれる新しいグラフ畳み込み演算子を提案する。
グラフ上のマルチチャネル信号をサブスペースに分解し、各サブスペース内の特定の情報を適応フィルタで処理する。
ベンチマークグラフデータセットの集合におけるグラフ分類における優れたパフォーマンスを実現する。
- 参考スコア(独自算出の注目度): 81.12823274576274
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Graph convolution networks, like message passing graph convolution networks
(MPGCNs), have been a powerful tool in representation learning of networked
data. However, when data is heterogeneous, most architectures are limited as
they employ a single strategy to handle multi-channel graph signals and they
typically focus on low-frequency information. In this paper, we present a novel
graph convolution operator, termed BankGCN, which keeps benefits of message
passing models, but extends their capabilities beyond `low-pass' features. It
decomposes multi-channel signals on graphs into subspaces and handles
particular information in each subspace with an adapted filter. The filters of
all subspaces have different frequency responses and together form a filter
bank. Furthermore, each filter in the spectral domain corresponds to a message
passing scheme, and diverse schemes are implemented via the filter bank.
Importantly, the filter bank and the signal decomposition are jointly learned
to adapt to the spectral characteristics of data and to target applications.
Furthermore, this is implemented almost without extra parameters in comparison
with most existing MPGCNs. Experimental results show that the proposed
convolution operator permits to achieve excellent performance in graph
classification on a collection of benchmark graph datasets.
- Abstract(参考訳): グラフ畳み込みネットワーク、例えばメッセージパッシンググラフ畳み込みネットワーク(mpgcns)は、ネットワーク化されたデータの表現学習において強力なツールである。
しかし、データが不均一である場合、ほとんどのアーキテクチャはマルチチャネルグラフ信号を処理するために単一の戦略を採用するため、通常は低周波情報に焦点を当てる。
本稿では、メッセージパッシングモデルの利点を保ちながら、「低パス」機能を超えて機能を拡張する新しいグラフ畳み込み演算子 BankGCN を提案する。
グラフ上のマルチチャネル信号をサブスペースに分解し、適応フィルタで各サブスペース内の特定の情報を処理する。
すべての部分空間のフィルタは異なる周波数応答を持ち、一緒にフィルタバンクを形成する。
さらに、スペクトル領域内の各フィルタはメッセージパッシングスキームに対応し、フィルタバンクを介して多様なスキームを実装する。
重要なことに、フィルタバンクと信号分解を共同で学習し、データのスペクトル特性に適応させ、対象とする。
さらに、これは既存のMPGCNと比較してほとんど余分なパラメータなしで実装されている。
実験の結果,提案する畳み込み演算子は,ベンチマークグラフデータセットの集合において,グラフ分類において優れた性能を達成できることがわかった。
関連論文リスト
- Specformer: Spectral Graph Neural Networks Meet Transformers [51.644312964537356]
スペクトルグラフニューラルネットワーク(GNN)は、スペクトル領域グラフ畳み込みを通じてグラフ表現を学習する。
本稿では、全ての固有値の集合を効果的に符号化し、スペクトル領域で自己アテンションを行うSpecformerを紹介する。
複数のSpecformerレイヤを積み重ねることで、強力なスペクトルGNNを構築することができる。
論文 参考訳(メタデータ) (2023-03-02T07:36:23Z) - Graph Filters for Signal Processing and Machine Learning on Graphs [83.29608206147515]
グラフフィルタの包括的概要として、異なるフィルタリングカテゴリ、各タイプの設計戦略、異なるタイプのグラフフィルタ間のトレードオフなどを挙げる。
グラフフィルタをフィルタバンクやグラフニューラルネットワークに拡張して表現力を高める方法について論じる。
本稿の目的は、初心者と経験者の両方に統一的なフレームワークを提供することと、共通の理解を提供することです。
論文 参考訳(メタデータ) (2022-11-16T11:56:45Z) - Optimal Graph Filters for Clustering Attributed Graphs [26.53951886710295]
大きなデータセットを研究する上で重要なタスクはグラフクラスタリングである。
最近の研究は、構造情報とコンテンツ情報を組み合わせたグラフ畳み込みネットワークとグラフ畳み込みフィルタに焦点を当てている。
グラフ信号処理に基づくアプローチを導入し、クラスタリングに最適化されたグラフフィルタを設計する。
論文 参考訳(メタデータ) (2022-11-09T01:49:23Z) - Graph filtering over expanding graphs [14.84852576248587]
本稿では,拡張グラフ上のデータに対するフィルタ学習手法を提案する。
正確なトポロジに依存するベースラインと比較して,ほぼ最適性能を示す。
これらの知見は、接続モデルのみに依存することにより、グラフの拡張よりも表現を学習するための基礎を築いた。
論文 参考訳(メタデータ) (2022-03-15T16:50:54Z) - Beyond Low-pass Filtering: Graph Convolutional Networks with Automatic
Filtering [61.315598419655224]
グラフ信号の全スペクトルをキャプチャする自動グラフ畳み込みネットワーク(AutoGCN)を提案する。
グラフスペクトル理論に基づいているが、私たちのAutoGCNも空間に局在しており、空間形式を持っている。
論文 参考訳(メタデータ) (2021-07-10T04:11:25Z) - 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) - Graph Autoencoders with Deconvolutional Networks [32.78113728062279]
Graph Deconvolutional Networks (GDN)は、スムーズなノード表現からグラフ信号を再構成する。
スペクトル領域の逆フィルタとウェーブレット領域のノイズ除去層の組み合わせにより、グラフデコンボリューションネットワークの設計を動機付けます。
提案したGDNに基づいて, GCNでスムースグラフ表現をエンコードし, GDNで正確なグラフ信号をデコードするグラフオートエンコーダフレームワークを提案する。
論文 参考訳(メタデータ) (2020-12-22T09:49:39Z) - FiGLearn: Filter and Graph Learning using Optimal Transport [49.428169585114496]
信号観測からグラフとその生成フィルタを学習するための新しいグラフ信号処理フレームワークを提案する。
ごくわずかな情報しか得られない場合、このフレームワークが欠落した値を推測するのにどのように使えるかを示す。
論文 参考訳(メタデータ) (2020-10-29T10:00:42Z)
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。