論文の概要: Generating the Graph Gestalt: Kernel-Regularized Graph Representation
Learning
- arxiv url: http://arxiv.org/abs/2106.15239v1
- Date: Tue, 29 Jun 2021 10:48:28 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-01 01:48:51.883095
- Title: Generating the Graph Gestalt: Kernel-Regularized Graph Representation
Learning
- Title(参考訳): グラフgestaltの生成:カーネル正規化グラフ表現学習
- Authors: Kiarash Zahirnia, Ankita Sakhuja, Oliver Schulte, Parmis Nadaf, Ke Li,
Xia Hu
- Abstract要約: グラフデータの完全な科学的理解は、グローバル構造とローカル構造の両方に対処する必要がある。
本稿では,グラフVAEフレームワークにおける相補的目的として,両者のジョイントモデルを提案する。
実験により,生成したグラフ構造の現実性は,典型的には1-2桁のグラフ構造メトリクスによって著しく向上したことが示された。
- 参考スコア(独自算出の注目度): 47.506013386710954
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: Recent work on graph generative models has made remarkable progress towards
generating increasingly realistic graphs, as measured by global graph features
such as degree distribution, density, and clustering coefficients. Deep
generative models have also made significant advances through better modelling
of the local correlations in the graph topology, which have been very useful
for predicting unobserved graph components, such as the existence of a link or
the class of a node, from nearby observed graph components. A complete
scientific understanding of graph data should address both global and local
structure. In this paper, we propose a joint model for both as complementary
objectives in a graph VAE framework. Global structure is captured by
incorporating graph kernels in a probabilistic model whose loss function is
closely related to the maximum mean discrepancy(MMD) between the global
structures of the reconstructed and the input graphs. The ELBO objective
derived from the model regularizes a standard local link reconstruction term
with an MMD term. Our experiments demonstrate a significant improvement in the
realism of the generated graph structures, typically by 1-2 orders of magnitude
of graph structure metrics, compared to leading graph VAEand GAN models. Local
link reconstruction improves as well in many cases.
- Abstract(参考訳): グラフ生成モデルに関する最近の研究は、次数分布、密度、クラスタリング係数といったグローバルグラフの特徴によって測定されるように、より現実的なグラフの生成に向けて顕著な進歩を遂げている。
深部生成モデルもまたグラフトポロジの局所的相関のモデル化を通じて大きな進歩を遂げており、これは近くの観測されたグラフ成分からリンクやノードのクラスなどの観測されていないグラフ成分を予測するのに非常に有用である。
グラフデータの完全な科学的理解は、グローバル構造とローカル構造の両方に対処すべきである。
本稿では,グラフVAEフレームワークにおける相補的目的として,両者のジョイントモデルを提案する。
グローバル構造は、損失関数が再構成されたグローバル構造と入力グラフの最大平均不一致(MMD)と密接に関連している確率モデルにグラフカーネルを組み込むことによって取得される。
モデルから派生したELBOの目的は、標準的なローカルリンク再構成項をMDD項で正規化する。
本実験は,グラフ構造メトリクスの1~2桁の精度で生成したグラフ構造のリアリズムが,先行するグラフvaeおよびganモデルと比較して著しく改善することを示す。
ローカルリンクの再構築も、多くの場合改善される。
関連論文リスト
- GraphGLOW: Universal and Generalizable Structure Learning for Graph
Neural Networks [72.01829954658889]
本稿では,この新たな問題設定の数学的定義を紹介する。
一つのグラフ共有構造学習者と複数のグラフ固有GNNを協調する一般的なフレームワークを考案する。
十分に訓練された構造学習者は、微調整なしで、目に見えない対象グラフの適応的な構造を直接生成することができる。
論文 参考訳(メタデータ) (2023-06-20T03:33:22Z) - Structure-free Graph Condensation: From Large-scale Graphs to Condensed
Graph-free Data [91.27527985415007]
既存のグラフ凝縮法は、凝縮グラフ内のノードと構造の合同最適化に依存している。
我々は、大規模グラフを小さなグラフノード集合に蒸留する、SFGCと呼ばれる新しい構造自由グラフ凝縮パラダイムを提唱する。
論文 参考訳(メタデータ) (2023-06-05T07:53:52Z) - HiGen: Hierarchical Graph Generative Networks [2.3931689873603603]
ほとんどの実世界のグラフは階層構造を示しており、しばしば既存のグラフ生成法で見過ごされる。
本稿では,グラフの階層的な性質を捉え,グラフのサブ構造を粗い方法で連続的に生成するグラフ生成ネットワークを提案する。
このモジュラーアプローチは、大規模で複雑なグラフに対してスケーラブルなグラフ生成を可能にする。
論文 参考訳(メタデータ) (2023-05-30T18:04:12Z) - Latent Graph Inference using Product Manifolds [0.0]
遅延グラフ学習のための離散微分可能グラフモジュール(dDGM)を一般化する。
我々の新しいアプローチは、幅広いデータセットでテストされ、元のdDGMモデルよりも優れています。
論文 参考訳(メタデータ) (2022-11-26T22:13:06Z) - Graph Condensation via Receptive Field Distribution Matching [61.71711656856704]
本稿では,元のグラフを表す小さなグラフの作成に焦点をあてる。
我々は、元のグラフを受容体の分布とみなし、受容体が同様の分布を持つ小さなグラフを合成することを目的としている。
論文 参考訳(メタデータ) (2022-06-28T02:10:05Z) - 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) - Adaptive Graph Auto-Encoder for General Data Clustering [90.8576971748142]
グラフベースのクラスタリングは、クラスタリング領域において重要な役割を果たす。
グラフ畳み込みニューラルネットワークに関する最近の研究は、グラフ型データにおいて驚くべき成功を収めている。
本稿では,グラフの生成的視点に応じて適応的にグラフを構成する汎用データクラスタリングのためのグラフ自動エンコーダを提案する。
論文 参考訳(メタデータ) (2020-02-20T10:11:28Z) - Graph Signal Processing -- Part III: Machine Learning on Graphs, from
Graph Topology to Applications [19.29066508374268]
このモノグラフのパートIIIは、グラフトポロジーを学ぶ方法に対処することから始まる。
特に注目されるのは、観測データの相関および精度行列に基づくグラフトポロジーの定義である。
スパースグラフの学習には、LASSOとして知られる最小絶対縮小と選択演算子を用いる。
論文 参考訳(メタデータ) (2020-01-02T13:14:27Z)
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。