論文の概要: Beyond Low-pass Filtering: Graph Convolutional Networks with Automatic Filtering

• arxiv url: http://arxiv.org/abs/2107.04755v1
• Date: Sat, 10 Jul 2021 04:11:25 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-13 16:17:19.043472
• Title: Beyond Low-pass Filtering: Graph Convolutional Networks with Automatic Filtering
• Title（参考訳）: 低域フィルタを超える: 自動フィルタリングによるグラフ畳み込みネットワーク
• Authors: Zonghan Wu, Shirui Pan, Guodong Long, Jing Jiang, Chengqi Zhang
• Abstract要約: グラフ信号の全スペクトルをキャプチャする自動グラフ畳み込みネットワーク(AutoGCN)を提案する。 グラフスペクトル理論に基づいているが、私たちのAutoGCNも空間に局在しており、空間形式を持っている。
• 参考スコア（独自算出の注目度）: 61.315598419655224
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Graph convolutional networks are becoming indispensable for deep learning from graph-structured data. Most of the existing graph convolutional networks share two big shortcomings. First, they are essentially low-pass filters, thus the potentially useful middle and high frequency band of graph signals are ignored. Second, the bandwidth of existing graph convolutional filters is fixed. Parameters of a graph convolutional filter only transform the graph inputs without changing the curvature of a graph convolutional filter function. In reality, we are uncertain about whether we should retain or cut off the frequency at a certain point unless we have expert domain knowledge. In this paper, we propose Automatic Graph Convolutional Networks (AutoGCN) to capture the full spectrum of graph signals and automatically update the bandwidth of graph convolutional filters. While it is based on graph spectral theory, our AutoGCN is also localized in space and has a spatial form. Experimental results show that AutoGCN achieves significant improvement over baseline methods which only work as low-pass filters.
• Abstract（参考訳）: グラフ構造データからの深層学習には,グラフ畳み込みネットワークが不可欠になりつつある。 既存のグラフ畳み込みネットワークのほとんどは、2つの大きな欠点を共有している。 第一に、それらは本質的に低パスフィルタであるため、グラフ信号の潜在的に有用な中・高周波帯域は無視される。 次に、既存のグラフ畳み込みフィルタの帯域幅を固定する。 グラフ畳み込みフィルタのパラメータは、グラフ畳み込みフィルタ関数の曲率を変更することなく、グラフ入力を変換する。 実際、専門家のドメイン知識がなければ、ある時点で周波数を維持または遮断すべきかどうかは不明です。 本稿では,グラフ信号の全スペクトルを捕捉し,グラフ畳み込みフィルタの帯域幅を自動的に更新する自動グラフ畳み込みネットワーク(AutoGCN)を提案する。 グラフスペクトル理論に基づいているが、私たちのAutoGCNも空間に局在しており、空間形式を持っている。 実験の結果,AutoGCNは低域通過フィルタとしてのみ動作するベースライン法よりも大幅に改善されていることがわかった。

関連論文リスト

• Online Graph Filtering Over Expanding Graphs [14.594691605523005]
  オンライン学習の原則に依存するオンライングラフフィルタリングフレームワークを提案する。 このような進化に適応した学習者を含む、トポロジが知られ、未知のシナリオのためのフィルタを設計する。 我々は,オンラインアルゴリズムやフィルタ順序,成長するグラフモデルなど,さまざまなコンポーネントが果たす役割を強調するために,後悔の意を表す分析を行う。
  論文  参考訳（メタデータ） (2024-09-11T11:50:16Z)
• Online Filtering over Expanding Graphs [14.84852576248587]
  本稿では,オンライン機械学習の原理に基づいて,フィルタのオンライン更新を提案する。 受信ノードにおける信号に対する手法の性能を示す。 これらの発見は、グラフの拡張よりも効率的なフィルタリングの基礎を築いた。
  論文  参考訳（メタデータ） (2023-01-17T14:07:52Z)
• Graph Filters for Signal Processing and Machine Learning on Graphs [83.29608206147515]
  グラフフィルタの包括的概要として、異なるフィルタリングカテゴリ、各タイプの設計戦略、異なるタイプのグラフフィルタ間のトレードオフなどを挙げる。 グラフフィルタをフィルタバンクやグラフニューラルネットワークに拡張して表現力を高める方法について論じる。 本稿の目的は、初心者と経験者の両方に統一的なフレームワークを提供することと、共通の理解を提供することです。
  論文  参考訳（メタデータ） (2022-11-16T11:56:45Z)
• Transferability Properties of Graph Neural Networks [125.71771240180654]
  グラフニューラルネットワーク(GNN)は、中規模グラフでサポートされているデータから表現を学ぶのに成功している。 適度な大きさのグラフ上でGNNを訓練し、それらを大規模グラフに転送する問題について検討する。 その結果, (i) グラフサイズに応じて転送誤差が減少し, (ii) グラフフィルタは非線型性の散乱挙動によってGNNにおいて緩和されるような転送可能性-識別可能性トレードオフを有することがわかった。
  論文  参考訳（メタデータ） (2021-12-09T00:08:09Z)
• Message Passing in Graph Convolution Networks via Adaptive Filter Banks [81.12823274576274]
  我々は BankGCN と呼ばれる新しいグラフ畳み込み演算子を提案する。 グラフ上のマルチチャネル信号をサブスペースに分解し、各サブスペース内の特定の情報を適応フィルタで処理する。 ベンチマークグラフデータセットの集合におけるグラフ分類における優れたパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2021-06-18T04:23:34Z)
• Graph Neural Networks with Adaptive Frequency Response Filter [55.626174910206046]
  適応周波数応答フィルタを用いたグラフニューラルネットワークフレームワークAdaGNNを開発した。 提案手法の有効性を,様々なベンチマークデータセット上で実証的に検証した。
  論文  参考訳（メタデータ） (2021-04-26T19:31:21Z)
• BiGCN: A Bi-directional Low-Pass Filtering Graph Neural Network [35.97496022085212]
  多くのグラフ畳み込みネットワークは、グラフ信号の低パスフィルタと見なすことができる。 本稿では,グラフニューラルネットワークを双方向低域通過フィルタとして表現する新しいモデルBiGCNを提案する。 私たちのモデルは、ほとんどのベンチマークデータセットのノード分類とリンク予測のタスクで、以前のグラフニューラルネットワークを上回っています。
  論文  参考訳（メタデータ） (2021-01-14T09:41:00Z)
• Graph Autoencoders with Deconvolutional Networks [32.78113728062279]
  Graph Deconvolutional Networks (GDN)は、スムーズなノード表現からグラフ信号を再構成する。 スペクトル領域の逆フィルタとウェーブレット領域のノイズ除去層の組み合わせにより、グラフデコンボリューションネットワークの設計を動機付けます。 提案したGDNに基づいて, GCNでスムースグラフ表現をエンコードし, GDNで正確なグラフ信号をデコードするグラフオートエンコーダフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-12-22T09:49:39Z)
• Filter Grafting for Deep Neural Networks: Reason, Method, and Cultivation [86.91324735966766]
  フィルタは現代の畳み込みニューラルネットワーク(CNN)のキーコンポーネントである 本稿では,この目的を達成するためにフィルタグラフト(textbfMethod)を導入する。 我々は,フィルタの情報を測定するための新しい基準と,グラフトされた情報をネットワーク間でバランスをとるための適応重み付け戦略を開発する。
  論文  参考訳（メタデータ） (2020-04-26T08:36:26Z)

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。