論文の概要: DeepGD: A Deep Learning Framework for Graph Drawing Using GNN

• arxiv url: http://arxiv.org/abs/2106.15347v1
• Date: Sun, 27 Jun 2021 07:18:09 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-30 15:23:19.302420
• Title: DeepGD: A Deep Learning Framework for Graph Drawing Using GNN
• Title（参考訳）: DeepGD: GNNを用いたグラフ描画のためのディープラーニングフレームワーク
• Authors: Xiaoqi Wang, Kevin Yen, Yifan Hu, Han-Wei Shen
• Abstract要約: 本稿では,畳み込みグラフニューラルネットワークに基づくディープラーニングフレームワークDeepGDを提案する。 複数の事前指定された美学の間で妥協してレイアウトを生成する。 トレードオフのバランスをとるために,各審美の重み係数を調整する2つの適応的トレーニング戦略を提案する。
• 参考スコア（独自算出の注目度）: 18.718427495348784
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: In the past decades, many graph drawing techniques have been proposed for generating aesthetically pleasing graph layouts. However, it remains a challenging task since different layout methods tend to highlight different characteristics of the graphs. Recently, studies on deep learning based graph drawing algorithm have emerged but they are often not generalizable to arbitrary graphs without re-training. In this paper, we propose a Convolutional Graph Neural Network based deep learning framework, DeepGD, which can draw arbitrary graphs once trained. It attempts to generate layouts by compromising among multiple pre-specified aesthetics considering a good graph layout usually complies with multiple aesthetics simultaneously. In order to balance the trade-off, we propose two adaptive training strategies which adjust the weight factor of each aesthetic dynamically during training. The quantitative and qualitative assessment of DeepGD demonstrates that it is capable of drawing arbitrary graphs effectively, while being flexible at accommodating different aesthetic criteria.
• Abstract（参考訳）: 過去数十年間、美的なグラフレイアウトを生成するために多くのグラフ描画技術が提案されてきた。 しかし、異なるレイアウト手法がグラフの異なる特徴を強調する傾向があるため、これは難しい課題である。 近年,深層学習に基づくグラフ描画アルゴリズムが登場しているが,再学習なしでは任意のグラフに一般化できないことが多い。 本稿では,畳み込みグラフニューラルネットワークを用いたディープラーニングフレームワークDeepGDを提案する。 優れたグラフレイアウトは、通常複数の美学を同時に準拠するので、複数の事前指定された美学の間で妥協してレイアウトを生成する。 トレードオフのバランスをとるために,トレーニング中の各審美の重み係数を動的に調整する2つの適応的トレーニング戦略を提案する。 DeepGDの量的および質的な評価は、任意のグラフを効果的に描画でき、異なる審美基準を調節する柔軟性があることを示している。

関連論文リスト

• Knowledge Probing for Graph Representation Learning [12.960185655357495]
  グラフ表現学習において,グラフ学習手法のファミリーが異なるレベルの知識を符号化したかどうかを調査・解釈するための新しいグラフ探索フレームワーク(GraphProbe)を提案する。 グラフの固有の性質に基づいて,異なる視点からグラフ表現学習過程を体系的に研究する3つのプローブを設計する。 本研究では、ランダムウォークに基づく9つの代表的なグラフ学習手法、基本グラフニューラルネットワーク、自己教師付きグラフ手法を用いて、詳細な評価ベンチマークを構築し、ノード分類、リンク予測、グラフ分類のための6つのベンチマークデータセットでそれらを探索する。
  論文  参考訳（メタデータ） (2024-08-07T16:27:45Z)
• CoRe-GD: A Hierarchical Framework for Scalable Graph Visualization with GNNs [20.706469085872516]
  我々は、ストレスの最適化を学習できるサブクワッドラティックを備えたスケーラブルなグラフニューラルネットワーク(GNN)ベースのグラフ描画フレームワークを導入する。 古典的応力最適化手法と強制指向レイアウトアルゴリズムに着想を得て,入力グラフの粗い階層を生成する。 ネットワーク内の情報伝達を強化するために,新しい位置変換手法を提案する。
  論文  参考訳（メタデータ） (2024-02-09T10:50:45Z)
• State of the Art and Potentialities of Graph-level Learning [54.68482109186052]
  グラフレベルの学習は、比較、回帰、分類など、多くのタスクに適用されている。 グラフの集合を学習する伝統的なアプローチは、サブストラクチャのような手作りの特徴に依存している。 ディープラーニングは、機能を自動的に抽出し、グラフを低次元表現に符号化することで、グラフレベルの学習をグラフの規模に適応させるのに役立っている。
  論文  参考訳（メタデータ） (2023-01-14T09:15:49Z)
• 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)
• Towards Unsupervised Deep Graph Structure Learning [67.58720734177325]
  本稿では,学習したグラフトポロジを外部ガイダンスなしでデータ自身で最適化する,教師なしグラフ構造学習パラダイムを提案する。 具体的には、元のデータから"アンカーグラフ"として学習目標を生成し、対照的な損失を用いてアンカーグラフと学習グラフとの一致を最大化する。
  論文  参考訳（メタデータ） (2022-01-17T11:57:29Z)
• Deep Neural Network for DrawiNg Networks, (DNN)^2 [1.5749416770494706]
  本稿ではDNN(Deep Neural Network for DrawiNg Networks)と呼ばれる新しいグラフ描画フレームワークを提案する。 グラフ描画におけるDeep Learningアプローチが新規であり,今後の作業における多くの手がかりが特定されているため,(DNN)2が良好に機能していることが示される。
  論文  参考訳（メタデータ） (2021-08-08T13:23:26Z)
• GraphTheta: A Distributed Graph Neural Network Learning System With Flexible Training Strategy [5.466414428765544]
  新しい分散グラフ学習システムGraphThetaを紹介します。 複数のトレーニング戦略をサポートし、大規模グラフ上で効率的でスケーラブルな学習を可能にします。 この仕事は、文学における10億規模のネットワーク上で実施された最大のエッジアトリビュートGNN学習タスクを表します。
  論文  参考訳（メタデータ） (2021-04-21T14:51:33Z)
• Multilevel Graph Matching Networks for Deep Graph Similarity Learning [79.3213351477689]
  グラフ構造オブジェクト間のグラフ類似性を計算するためのマルチレベルグラフマッチングネットワーク(MGMN)フレームワークを提案する。 標準ベンチマークデータセットの欠如を補うため、グラフグラフ分類とグラフグラフ回帰タスクの両方のためのデータセットセットを作成し、収集した。 総合的な実験により、MGMNはグラフグラフ分類とグラフグラフ回帰タスクの両方において、最先端のベースラインモデルより一貫して優れていることが示された。
  論文  参考訳（メタデータ） (2020-07-08T19:48:19Z)
• GCC: Graph Contrastive Coding for Graph Neural Network Pre-Training [62.73470368851127]
  グラフ表現学習は現実世界の問題に対処する強力な手法として登場した。 自己教師付きグラフニューラルネットワーク事前トレーニングフレームワークであるGraph Contrastive Codingを設計する。 3つのグラフ学習タスクと10のグラフデータセットについて実験を行った。
  論文  参考訳（メタデータ） (2020-06-17T16:18:35Z)
• SIGN: Scalable Inception Graph Neural Networks [4.5158585619109495]
  本稿では,グラフサンプリングの必要性を助長する,効率的でスケーラブルなグラフ深層学習アーキテクチャを提案する。 私たちのアーキテクチャでは、異なるローカルグラフ演算子を使用して、そのタスクに最も適しています。 我々は,1億1000万のノードと15億のエッジを持つ,最大の公開グラフデータセットであるogbn-papers100Mについて,最先端の結果を得た。
  論文  参考訳（メタデータ） (2020-04-23T14:46:10Z)
• Graph Ordering: Towards the Optimal by Learning [69.72656588714155]
  グラフ表現学習は、ノード分類、予測、コミュニティ検出など、多くのグラフベースのアプリケーションで顕著な成功を収めている。 しかし,グラフ圧縮やエッジ分割などのグラフアプリケーションでは,グラフ表現学習タスクに還元することは極めて困難である。 本稿では,このようなアプリケーションの背後にあるグラフ順序付け問題に対して,新しい学習手法を用いて対処することを提案する。
  論文  参考訳（メタデータ） (2020-01-18T09:14:16Z)

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。