論文の概要: Evolving-Graph Gaussian Processes
- arxiv url: http://arxiv.org/abs/2106.15127v1
- Date: Tue, 29 Jun 2021 07:16:04 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-30 15:42:05.602816
- Title: Evolving-Graph Gaussian Processes
- Title(参考訳): 進化グラフガウス過程
- Authors: David Blanco-Mulero, Markus Heinonen, Ville Kyrki
- Abstract要約: 既存のアプローチでは静的構造に重点を置いているが、実際のグラフデータの多くは動的構造を表しており、GGPの応用は制限されている。
我々はこれを克服するために進化的グラフガウス過程(e-GGP)を提案する。
静的グラフガウスプロセスアプローチに対するe-GGPの利点を実証する。
- 参考スコア(独自算出の注目度): 20.065168755580558
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Graph Gaussian Processes (GGPs) provide a data-efficient solution on graph
structured domains. Existing approaches have focused on static structures,
whereas many real graph data represent a dynamic structure, limiting the
applications of GGPs. To overcome this we propose evolving-Graph Gaussian
Processes (e-GGPs). The proposed method is capable of learning the transition
function of graph vertices over time with a neighbourhood kernel to model the
connectivity and interaction changes between vertices. We assess the
performance of our method on time-series regression problems where graphs
evolve over time. We demonstrate the benefits of e-GGPs over static graph
Gaussian Process approaches.
- Abstract(参考訳): Graph Gaussian Processs (GGP) はグラフ構造化ドメイン上でデータ効率のよいソリューションを提供する。
既存のアプローチは静的構造に重点を置いているが、多くの実グラフデータは動的構造を表しており、ggpsの応用を制限している。
そこで我々は進化グラフガウス過程(e-ggps)を提案する。
提案手法は,近傍カーネルと時間とともにグラフ頂点の遷移関数を学習し,頂点間の接続と相互作用の変化をモデル化する。
グラフが経時的に進化する時系列回帰問題における本手法の性能を評価する。
静的グラフガウス過程アプローチに対するe-ggpsの利点を実証する。
関連論文リスト
- GraphGDP: Generative Diffusion Processes for Permutation Invariant Graph
Generation [43.196067037856515]
グラフ生成モデルは生物学、化学、社会科学に広く応用されている。
現在の先行自己回帰モデルは、グラフの置換不変性を取り込むことができない。
置換不変グラフ生成のための連続時間生成拡散プロセスを提案する。
論文 参考訳(メタデータ) (2022-12-04T15:12:44Z) - Instant Graph Neural Networks for Dynamic Graphs [18.916632816065935]
Instant Graph Neural Network (InstantGNN) を提案する。
提案手法は,時間を要する反復計算を回避し,表現の即時更新と即時予測を可能にする。
本モデルでは,既存手法よりも高精度かつ高次精度で最先端の精度を実現する。
論文 参考訳(メタデータ) (2022-06-03T03:27:42Z) - Learning Graph Structure from Convolutional Mixtures [119.45320143101381]
本稿では、観測されたグラフと潜伏グラフのグラフ畳み込み関係を提案し、グラフ学習タスクをネットワーク逆(デコンボリューション)問題として定式化する。
固有分解に基づくスペクトル法の代わりに、近似勾配反復をアンロール・トランケートして、グラフデコンボリューションネットワーク(GDN)と呼ばれるパラメータ化ニューラルネットワークアーキテクチャに到達させる。
GDNは、教師付き方式でグラフの分布を学習し、損失関数を適応させることでリンク予測やエッジウェイト回帰タスクを実行し、本質的に帰納的である。
論文 参考訳(メタデータ) (2022-05-19T14:08:15Z) - Score-based Generative Modeling of Graphs via the System of Stochastic
Differential Equations [57.15855198512551]
本稿では,連続時間フレームワークを用いたグラフのスコアベース生成モデルを提案する。
本手法は, トレーニング分布に近い分子を生成できるが, 化学価数則に違反しないことを示す。
論文 参考訳(メタデータ) (2022-02-05T08:21:04Z) - Robust Optimization as Data Augmentation for Large-scale Graphs [117.2376815614148]
学習中に勾配に基づく逆方向摂動を伴うノード特徴を反復的に拡張するFLAG(Free Large-scale Adversarial Augmentation on Graphs)を提案する。
FLAGはグラフデータに対する汎用的なアプローチであり、ノード分類、リンク予測、グラフ分類タスクで普遍的に機能する。
論文 参考訳(メタデータ) (2020-10-19T21:51:47Z) - Dirichlet Graph Variational Autoencoder [65.94744123832338]
本稿では,グラフクラスタメンバシップを潜在因子とするDGVAE(Dirichlet Graph Variational Autoencoder)を提案する。
バランスグラフカットにおける低パス特性により、入力グラフをクラスタメンバシップにエンコードする、Heattsと呼ばれるGNNの新しい変種を提案する。
論文 参考訳(メタデータ) (2020-10-09T07:35:26Z) - Iterative Deep Graph Learning for Graph Neural Networks: Better and
Robust Node Embeddings [53.58077686470096]
グラフ構造とグラフ埋め込みを協調的かつ反復的に学習するための、エンドツーエンドのグラフ学習フレームワーク、すなわち、IDGL(Iterative Deep Graph Learning)を提案する。
実験の結果,提案したIDGLモデルは,最先端のベースラインを一貫して上回る,あるいは一致させることができることがわかった。
論文 参考訳(メタデータ) (2020-06-21T19:49:15Z) - 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 Convolutional Gaussian Processes For Link Prediction [0.0]
リンク予測は、グラフに欠けているエッジを明らかにすることを目的としている。
本稿では,グラフ構造ドメイン上に擬似入力を配置する変分誘導点法を提案する。
最大数千のノードを持つ8つの大きなグラフ上でモデルを評価し、一貫した改善を報告する。
論文 参考訳(メタデータ) (2020-02-11T12:12:21Z)
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。