論文の概要: Maximum Entropy Weighted Independent Set Pooling for Graph Neural Networks

• arxiv url: http://arxiv.org/abs/2107.01410v1
• Date: Sat, 3 Jul 2021 11:19:28 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-06 15:05:56.489176
• Title: Maximum Entropy Weighted Independent Set Pooling for Graph Neural Networks
• Title（参考訳）: グラフニューラルネットワークのための最大エントロピー重み付き独立集合プール
• Authors: Amirhossein Nouranizadeh, Mohammadjavad Matinkia, Mohammad Rahmati, Reza Safabakhsh
• Abstract要約: 本稿では, グラフと入力グラフ間の相互情報の最大化に基づく, グラフニューラルネットワークのための新しいプーリング層を提案する。 プール層への入力グラフはノイズの多い通信チャネルの表現として見ることができることを示す。 最大相互情報に到達することは、グラフの最大重み独立集合を見つけることと等価であることを示す。
• 参考スコア（独自算出の注目度）: 7.398195748292981
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this paper, we propose a novel pooling layer for graph neural networks based on maximizing the mutual information between the pooled graph and the input graph. Since the maximum mutual information is difficult to compute, we employ the Shannon capacity of a graph as an inductive bias to our pooling method. More precisely, we show that the input graph to the pooling layer can be viewed as a representation of a noisy communication channel. For such a channel, sending the symbols belonging to an independent set of the graph yields a reliable and error-free transmission of information. We show that reaching the maximum mutual information is equivalent to finding a maximum weight independent set of the graph where the weights convey entropy contents. Through this communication theoretic standpoint, we provide a distinct perspective for posing the problem of graph pooling as maximizing the information transmission rate across a noisy communication channel, implemented by a graph neural network. We evaluate our method, referred to as Maximum Entropy Weighted Independent Set Pooling (MEWISPool), on graph classification tasks and the combinatorial optimization problem of the maximum independent set. Empirical results demonstrate that our method achieves the state-of-the-art and competitive results on graph classification tasks and the maximum independent set problem in several benchmark datasets.
• Abstract（参考訳）: 本稿では,グラフと入力グラフの相互情報を最大化することに基づく,グラフニューラルネットワークのための新たなプーリング層を提案する。 最大相互情報は計算が難しいため、我々はプール法に対する帰納バイアスとしてグラフのシャノン容量を用いる。 より正確には、プール層への入力グラフはノイズの多い通信チャネルの表現として見ることができることを示す。 そのようなチャネルでは、グラフの独立集合に属するシンボルを送信すると、信頼できるエラーのない情報伝達が得られる。 最大相互情報に達することは、重みがエントロピーコンテンツを伝達するグラフの最大重み独立集合を見つけることと等価であることを示す。 この通信理論的な観点から、グラフニューラルネットワークによって実装されたノイズの多い通信チャネルにおける情報伝達速度の最大化として、グラフプーリングの問題を考えるための明確な視点を提供する。 我々は,最大エントロピー重み付き独立集合プール(MEWISPool)と呼ばれる手法を,グラフ分類タスクと最大独立集合の組合せ最適化問題に基づいて評価した。 実験により,提案手法は,グラフ分類タスクにおける最先端かつ競争的な結果と,複数のベンチマークデータセットにおける最大独立セット問題を実現することを示す。

関連論文リスト

• Promise and Limitations of Supervised Optimal Transport-Based Graph Summarization via Information Theoretic Measures [3.179831861897336]
  グラフ要約は、入力グラフデータセットのより小さなグラフ表現を生成する問題である。 本稿では,教師付きグラフ要約の問題点を考察し,情報理論を用いてクラスラベルに関する関連情報を保存することを目的とする。 サンプルグラフとクラスラベルに関連付けられた確率変数間の相互情報推定を最適輸送圧縮フレームワークに組み込んだ要約手法を提案する。
  論文  参考訳（メタデータ） (2023-05-11T21:03:34Z)
• Joint Network Topology Inference via a Shared Graphon Model [24.077455621015552]
  観測結果から複数のネットワークのトポロジを推定する問題を考察する。 これは非パラメトリックなモデルであり、潜在的に異なるサイズのグラフを描画することができる。
  論文  参考訳（メタデータ） (2022-09-17T02:38:58Z)
• 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)
• Optimal Propagation for Graph Neural Networks [51.08426265813481]
  最適グラフ構造を学習するための二段階最適化手法を提案する。 また、時間的複雑さをさらに軽減するために、低ランク近似モデルについても検討する。
  論文  参考訳（メタデータ） (2022-05-06T03:37:00Z)
• Distributed Graph Learning with Smooth Data Priors [61.405131495287755]
  本稿では,ノード上の信号観測からグラフを推論する分散グラフ学習アルゴリズムを提案する。 この結果から,分散手法は,推定グラフの精度を損なうことなく,集中型アルゴリズムよりも通信コストが低いことがわかった。
  論文  参考訳（メタデータ） (2021-12-11T00:52:02Z)
• Edge but not Least: Cross-View Graph Pooling [76.71497833616024]
  本稿では,重要なグラフ構造情報を活用するために,クロスビューグラフプーリング(Co-Pooling)手法を提案する。 クロスビュー相互作用、エッジビュープーリング、ノードビュープーリングにより、相互にシームレスに強化され、より情報的なグラフレベルの表現が学習される。
  論文  参考訳（メタデータ） (2021-09-24T08:01:23Z)
• Explicit Pairwise Factorized Graph Neural Network for Semi-Supervised Node Classification [59.06717774425588]
  本稿では,グラフ全体を部分的に観測されたマルコフ確率場としてモデル化するEPFGNN(Explicit Pairwise Factorized Graph Neural Network)を提案する。 出力-出力関係をモデル化するための明示的なペアワイズ要素を含み、入力-出力関係をモデル化するためにGNNバックボーンを使用する。 本研究では,グラフ上での半教師付きノード分類の性能を効果的に向上できることを示す。
  論文  参考訳（メタデータ） (2021-07-27T19:47:53Z)
• Graph Pooling via Coarsened Graph Infomax [9.045707667111873]
  本稿では,各プーリング層の入力と粗いグラフ間の相互情報を最大化するために,粗いグラフプールインフォマキシング(cgi)を提案する。 相互情報ニューラルを実現するために,コントラスト学習を適用し,正負のサンプルを学習するための自己照査に基づくアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-05-04T03:50:21Z)
• Accurate Learning of Graph Representations with Graph Multiset Pooling [45.72542969364438]
  本稿では,その構造的依存関係に応じてノード間の相互作用をキャプチャするグラフマルチセットトランス (GMT) を提案する。 実験の結果,GMTはグラフ分類ベンチマークにおいて,最先端のグラフプーリング法を著しく上回っていることがわかった。
  論文  参考訳（メタデータ） (2021-02-23T07:45:58Z)
• Multilayer Clustered Graph Learning [66.94201299553336]
  我々は、観測された層を代表グラフに適切に集約するために、データ忠実度用語として対照的な損失を用いる。 実験により,本手法がクラスタクラスタw.r.tに繋がることが示された。 クラスタリング問題を解くためのクラスタリングアルゴリズムを学習する。
  論文  参考訳（メタデータ） (2020-10-29T09:58:02Z)

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。