Fugu-MT 論文翻訳(概要): Evolving-Graph Gaussian Processes

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

EggNet: An Evolving Graph-based Graph Attention Network for Particle Track Reconstruction [0.0]
我々は,一組のヒットから粒子トラックを直接再構成するワンショットOCアプローチを検討する。このアプローチは、グラフを反復的に更新し、各グラフを横断するメッセージをより容易にする。 TrackMLデータセットに関する予備研究は、固定された入力グラフを必要とする方法と比較して、トラック性能が向上したことを示している。
論文参考訳（メタデータ） (2024-07-18T22:29:24Z)
Learning Long Range Dependencies on Graphs via Random Walks [6.7864586321550595]
メッセージパッシンググラフニューラルネットワーク(GNN)は、局所的な関係を捉えるのに優れているが、グラフの長距離依存に苦慮している。グラフ変換器(GT)はグローバルな情報交換を可能にするが、グラフを固定長ベクトルの集合として表現することでグラフ構造を単純化することが多い。この研究は、ランダムウォークの長距離情報とローカルメッセージパッシングを組み合わせることによって、両方のアプローチの欠点を克服する新しいアーキテクチャを導入する。
論文参考訳（メタデータ） (2024-06-05T15:36:57Z)
Graph Condensation for Open-World Graph Learning [48.38802327346445]
グラフ凝縮(GC)は、グラフニューラルネットワーク(GNN)を効率的に訓練するための有望な加速ソリューションとして登場した。既存のGCメソッドは、単に観測された静的グラフ分布と凝縮グラフの整合性に制限される。しかし、現実のシナリオでは、グラフは動的で常に進化しており、新しいノードとエッジが継続的に統合されている。グラフパターンの進化をシミュレートするために構造対応分散シフトを統合する,堅牢なGCフレームワークであるOpenGCを提案する。
論文参考訳（メタデータ） (2024-05-27T09:47:09Z)
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)
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)
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。