論文の概要: GraphGen-Redux: a Fast and Lightweight Recurrent Model for labeled Graph
Generation
- arxiv url: http://arxiv.org/abs/2107.08396v1
- Date: Sun, 18 Jul 2021 09:26:10 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-20 14:51:09.430587
- Title: GraphGen-Redux: a Fast and Lightweight Recurrent Model for labeled Graph
Generation
- Title（参考訳）: GraphGen-Redux:ラベル付きグラフ生成のための高速で軽量なリカレントモデル
- Authors: Marco Podda and Davide Bacciu
- Abstract要約: ラベル付きグラフ生成のための新しいグラフ前処理手法を提案する。
新たなグラフ前処理手法を導入することで,ノードとエッジのラベル付け情報を共同で処理することができる。
GraphGen-Reduxと呼ばれる対応するモデルは、幅広いデータセットにおけるGraphGenの生成パフォーマンスを改善します。
- 参考スコア（独自算出の注目度）: 13.956691231452336
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The problem of labeled graph generation is gaining attention in the Deep
Learning community. The task is challenging due to the sparse and discrete
nature of graph spaces. Several approaches have been proposed in the
literature, most of which require to transform the graphs into sequences that
encode their structure and labels and to learn the distribution of such
sequences through an auto-regressive generative model. Among this family of
approaches, we focus on the GraphGen model. The preprocessing phase of GraphGen
transforms graphs into unique edge sequences called Depth-First Search (DFS)
codes, such that two isomorphic graphs are assigned the same DFS code. Each
element of a DFS code is associated with a graph edge: specifically, it is a
quintuple comprising one node identifier for each of the two endpoints, their
node labels, and the edge label. GraphGen learns to generate such sequences
auto-regressively and models the probability of each component of the quintuple
independently. While effective, the independence assumption made by the model
is too loose to capture the complex label dependencies of real-world graphs
precisely. By introducing a novel graph preprocessing approach, we are able to
process the labeling information of both nodes and edges jointly. The
corresponding model, which we term GraphGen-Redux, improves upon the generative
performances of GraphGen in a wide range of datasets of chemical and social
graphs. In addition, it uses approximately 78% fewer parameters than the
vanilla variant and requires 50% fewer epochs of training on average.
- Abstract（参考訳）: ラベル付きグラフ生成の問題は、Deep Learningコミュニティで注目を集めている。
このタスクは、グラフ空間のスパースで離散的な性質のため、難しい。
文献ではいくつかのアプローチが提案されており、そのほとんどがグラフを構造とラベルをエンコードする配列に変換し、それらの配列の分布を自己回帰生成モデルを通じて学ぶ必要がある。
このようなアプローチのファミリの中で、私たちはGraphGenモデルに注目しています。
GraphGenの前処理フェーズは、グラフをDepth-First Search (DFS)コードと呼ばれる独自のエッジシーケンスに変換し、2つの同型グラフが同じDFSコードに割り当てられるようにしている。
DFSコードの各要素はグラフエッジに関連付けられており、具体的には2つのエンドポイント、それぞれのノードラベル、エッジラベルのそれぞれに1つのノード識別子を含むクインタプルである。
GraphGenはこのようなシーケンスを自動回帰的に生成することを学び、各コンポーネントの確率を独立してモデル化する。
有効ではあるが、モデルによってなされた独立性の仮定は、現実のグラフの複雑なラベル依存性を正確に捉えるにはゆるい。
新たなグラフ前処理手法を導入することで,ノードとエッジのラベル付け情報を共同で処理することができる。
GraphGen-Reduxと呼ばれる対応するモデルは、化学および社会グラフの幅広いデータセットにおけるGraphGenの生成性能を改善する。
さらに、バニラ型に比べて約78%のパラメータを使用し、平均で50%のエポックのトレーニングを必要とする。
関連論文リスト
- 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) - Graph Generation with Diffusion Mixture [57.78958552860948]
グラフの生成は、非ユークリッド構造の複雑な性質を理解する必要がある実世界のタスクにとって大きな課題である。
本稿では,拡散過程の最終グラフ構造を明示的に学習することにより,グラフのトポロジーをモデル化する生成フレームワークを提案する。
論文 参考訳（メタデータ） (2023-02-07T17:07:46Z) - GrannGAN: Graph annotation generative adversarial networks [72.66289932625742]
本稿では,高次元分布をモデル化し,グラフスケルトンと整合した複雑な関係特徴構造を持つデータの新しい例を生成することの問題点を考察する。
提案するモデルは,タスクを2つのフェーズに分割することで,各データポイントのグラフ構造に制約されたデータ特徴を生成する問題に対処する。
第一に、与えられたグラフのノードに関連する機能の分布をモデル化し、第二に、ノードのフィーチャに条件付きでエッジ機能を補完する。
論文 参考訳（メタデータ） (2022-12-01T11:49:07Z) - Semi-Supervised Hierarchical Graph Classification [54.25165160435073]
ノードがグラフのインスタンスである階層グラフにおけるノード分類問題について検討する。
本稿では階層グラフ相互情報(HGMI)を提案し,理論的保証をもってHGMIを計算する方法を提案する。
本稿では,この階層グラフモデリングとSEAL-CI法がテキストおよびソーシャルネットワークデータに与える影響を実証する。
論文 参考訳（メタデータ） (2022-06-11T04:05:29Z) - CCGG: A Deep Autoregressive Model for Class-Conditional Graph Generation [7.37333913697359]
所望の機能を持つグラフを生成するために,クラス条件付きグラフ生成器(CCGG)を導入する。
CCGGは、様々なデータセット上で既存の条件付きグラフ生成方法より優れている。
また、分散ベースの評価指標の観点から、生成したグラフの品質も維持する。
論文 参考訳（メタデータ） (2021-10-07T21:24:07Z) - Order Matters: Probabilistic Modeling of Node Sequence for Graph
Generation [18.03898476141173]
グラフ生成モデルはグラフ上の分布を定義する。
グラフ上の正確な結合確率とシーケンシャルプロセスのノード順序を導出する。
我々は,従来の手法のアドホックノード順序を使わずに,この境界を最大化してグラフ生成モデルを訓練する。
論文 参考訳（メタデータ） (2021-06-11T06:37:52Z) - Generating a Doppelganger Graph: Resembling but Distinct [5.618335078130568]
本論文では,与えられたグラフ特性に類似したドッペルガンガーグラフを生成する手法を提案する。
このアプローチは、グラフ表現学習、生成的敵ネットワーク、およびグラフ実現アルゴリズムのオーケストレーションである。
論文 参考訳（メタデータ） (2021-01-23T22:08:27Z) - GraphHop: An Enhanced Label Propagation Method for Node Classification [34.073791157290614]
GraphHopと呼ばれるスケーラブルな半監視ノード分類手法が提案されている。
実験結果は、GraphHopが幅広いタスクで最先端のグラフ学習方法より優れていることを示しています。
論文 参考訳（メタデータ） (2021-01-07T02:10:20Z) - Line Graph Neural Networks for Link Prediction [71.00689542259052]
実世界の多くのアプリケーションにおいて古典的なグラフ解析問題であるグラフリンク予測タスクについて検討する。
このフォーマリズムでは、リンク予測問題をグラフ分類タスクに変換する。
本稿では,線グラフをグラフ理論に用いて,根本的に異なる新しい経路を求めることを提案する。
特に、線グラフの各ノードは、元のグラフのユニークなエッジに対応するため、元のグラフのリンク予測問題は、グラフ分類タスクではなく、対応する線グラフのノード分類問題として等価に解決できる。
論文 参考訳（メタデータ） (2020-10-20T05:54:31Z) - Inverse Graph Identification: Can We Identify Node Labels Given Graph
Labels? [89.13567439679709]
グラフ識別(GI)は、グラフ学習において長い間研究されており、特定の応用において不可欠である。
本稿では,逆グラフ識別(Inverse Graph Identification, IGI)と呼ばれる新しい問題を定義する。
本稿では,グラフアテンションネットワーク(GAT)を用いたノードレベルのメッセージパッシング処理を,GIのプロトコルの下でシンプルかつ効果的に行う方法を提案する。
論文 参考訳（メタデータ） (2020-07-12T12:06:17Z) - 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)
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。