論文の概要: Graph Convolutional Network with Generalized Factorized Bilinear Aggregation

• arxiv url: http://arxiv.org/abs/2107.11666v1
• Date: Sat, 24 Jul 2021 17:57:06 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-27 16:28:18.631074
• Title: Graph Convolutional Network with Generalized Factorized Bilinear Aggregation
• Title（参考訳）: 一般化因子化双線型集計を用いたグラフ畳み込みネットワーク
• Authors: Hao Zhu, Piotr Koniusz
• Abstract要約: グラフ畳み込みネットワーク(GCN)における特徴相互作用をモデル化するためのFB層の新たな一般化を提案する。 複数のデータセットに対する実験結果から,GFB-GCNは他のテキスト分類法と競合することを示した。
• 参考スコア（独自算出の注目度）: 31.674649135019386
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Although Graph Convolutional Networks (GCNs) have demonstrated their power in various applications, the graph convolutional layers, as the most important component of GCN, are still using linear transformations and a simple pooling step. In this paper, we propose a novel generalization of Factorized Bilinear (FB) layer to model the feature interactions in GCNs. FB performs two matrix-vector multiplications, that is, the weight matrix is multiplied with the outer product of the vector of hidden features from both sides. However, the FB layer suffers from the quadratic number of coefficients, overfitting and the spurious correlations due to correlations between channels of hidden representations that violate the i.i.d. assumption. Thus, we propose a compact FB layer by defining a family of summarizing operators applied over the quadratic term. We analyze proposed pooling operators and motivate their use. Our experimental results on multiple datasets demonstrate that the GFB-GCN is competitive with other methods for text classification.
• Abstract（参考訳）: グラフ畳み込みネットワーク(GCN)は様々なアプリケーションでその力を実証しているが、GCNの最も重要なコンポーネントであるグラフ畳み込み層は依然として線形変換と単純なプーリングステップを使っている。 本稿では,GCNにおける特徴相互作用をモデル化するためのFB層の新たな一般化を提案する。 FB は2つの行列ベクトル乗法、すなわち重み行列を両側から隠れた特徴のベクトルの外積と乗算する。 しかし、fb層は、i.i.d.に違反する隠れ表現のチャネル間の相関により、係数の二次数、過剰フィッティング、スプリアス相関に苦しむ。 仮定だ そこで本研究では,二次項上に適用される収束作用素の族を定義することで,コンパクトなfb層を提案する。 提案するプーリング演算子を解析し,その利用を動機づける。 複数のデータセットに対する実験結果から,GFB-GCNは他のテキスト分類法と競合することを示した。

関連論文リスト

• Understanding the Effect of GCN Convolutions in Regression Tasks [8.299692647308323]
  グラフ畳み込みネットワーク(GCN)は、グラフ上の関数をモデル化する機械学習において重要な手法となっている。 本稿では、同好ネットワーク上の回帰タスクにおける畳み込み演算子の影響を公式解析する。
  論文  参考訳（メタデータ） (2024-10-26T04:19:52Z)
• Scalable Graph Compressed Convolutions [68.85227170390864]
  ユークリッド畳み込みのための入力グラフのキャリブレーションに置換を適用する微分可能手法を提案する。 グラフキャリブレーションに基づいて,階層型グラフ表現学習のための圧縮畳み込みネットワーク(CoCN)を提案する。
  論文  参考訳（メタデータ） (2024-07-26T03:14:13Z)
• Graph Edge Representation via Tensor Product Graph Convolutional Representation [23.021660625582854]
  本稿では,Product Graph Convolution (TPGC) と呼ばれるエッジ特徴を持つグラフ上の効率的な畳み込み演算子を定義する。 従来のグラフ畳み込み(GC)を補完するモデルを提供し、ノードとエッジの両方でより一般的なグラフデータ解析に対処する。 いくつかのグラフ学習タスクの実験結果から,提案したTPGCの有効性が示された。
  論文  参考訳（メタデータ） (2024-06-21T03:21:26Z)
• Binary Graph Convolutional Network with Capacity Exploration [58.99478502486377]
  ネットワークパラメータと入力ノード属性の両方を二項化するバイナリグラフ畳み込みネットワーク(Bi-GCN)を提案する。 我々のBi-GCNは、ネットワークパラメータと入力データの両方で平均31倍のメモリ消費を削減でき、推論速度を平均51倍に加速できる。
  論文  参考訳（メタデータ） (2022-10-24T12:05:17Z)
• Graph Spectral Embedding using the Geodesic Betweeness Centrality [76.27138343125985]
  本稿では、局所的な類似性、接続性、グローバル構造を教師なしで表現するグラフSylvester Embedding (GSE)を紹介する。 GSEはシルヴェスター方程式の解を用いて、ネットワーク構造と近傍の近接を1つの表現で捉える。
  論文  参考訳（メタデータ） (2022-05-07T04:11:23Z)
• Factorizable Graph Convolutional Networks [90.59836684458905]
  本稿では,グラフに符号化された相互に絡み合った関係を明示的に解消する新しいグラフ畳み込みネットワーク(GCN)を提案する。 FactorGCNは単純なグラフを入力として取り、それをいくつかの分解グラフに分解する。 提案したFacterGCNは,合成および実世界のデータセットに対して質的かつ定量的に評価する。
  論文  参考訳（メタデータ） (2020-10-12T03:01:40Z)
• Dual-constrained Deep Semi-Supervised Coupled Factorization Network with Enriched Prior [80.5637175255349]
  本稿では、DS2CF-Netと呼ばれる、拡張された事前制約付きDual-Constrained Deep Semi-Supervised Coupled Factorization Networkを提案する。 隠れた深い特徴を抽出するために、DS2CF-Netは、深い構造と幾何学的な構造に制約のあるニューラルネットワークとしてモデル化される。 我々のネットワークは、表現学習とクラスタリングのための最先端の性能を得ることができる。
  論文  参考訳（メタデータ） (2020-09-08T13:10:21Z)
• DiffGCN: Graph Convolutional Networks via Differential Operators and Algebraic Multigrid Pooling [7.23389716633927]
  Graph Convolutional Networks(GCNs)は、ポイントクラウドやメッシュなどの非順序データの処理に有効であることが示されている。 有限差分と代数的マルチグリッドフレームワークから着想を得た,グラフ畳み込み,プーリング,アンプールのための新しい手法を提案する。
  論文  参考訳（メタデータ） (2020-06-07T11:08:37Z)
• Revisiting Graph based Collaborative Filtering: A Linear Residual Graph Convolutional Network Approach [55.44107800525776]
  グラフ畳み込みネットワーク(GCN)は、最先端のグラフベースの表現学習モデルである。 本稿では、GCNベースの協調フィルタリング(CF)ベースのレコメンダシステム(RS)について再検討する。 単純なグラフ畳み込みネットワークの理論と整合して,非線形性を取り除くことで推奨性能が向上することを示す。 本稿では,ユーザ・イテム相互作用モデリングを用いたCF用に特別に設計された残差ネットワーク構造を提案する。
  論文  参考訳（メタデータ） (2020-01-28T04:41:25Z)

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。