Fugu-MT 論文翻訳(概要): Non-Local Feature Aggregation on Graphs via Latent Fixed Data Structures

論文の概要: Non-Local Feature Aggregation on Graphs via Latent Fixed Data Structures

arxiv url: http://arxiv.org/abs/2108.07028v1
Date: Mon, 16 Aug 2021 11:43:04 GMT
ステータス: 処理完了
システム内更新日: 2021-08-17 15:23:16.517112
Title: Non-Local Feature Aggregation on Graphs via Latent Fixed Data Structures
Title（参考訳）: 潜在固定データ構造によるグラフ上の非局所特徴の集約
Authors: Mostafa Rahmani, Rasoul Shafipour, Ping Li
Abstract要約: グラフニューラルネットワーク(GNN)におけるグローバルな特徴集約のための新しいアプローチを提案する。本稿では,ループ,3次元テンソル(画像),シーケンス,データ駆動グラフ,抽出したローカル特徴ベクトルを分類・分布するアルゴリズムなど,複数のLFDSを紹介する。提案手法の計算複雑性は入力グラフの順序と線形であるが、競合性やより良い結果が得られる。
参考スコア（独自算出の注目度）: 26.856125311222986
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In contrast to image/text data whose order can be used to perform non-local feature aggregation in a straightforward way using the pooling layers, graphs lack the tensor representation and mostly the element-wise max/mean function is utilized to aggregate the locally extracted feature vectors. In this paper, we present a novel approach for global feature aggregation in Graph Neural Networks (GNNs) which utilizes a Latent Fixed Data Structure (LFDS) to aggregate the extracted feature vectors. The locally extracted feature vectors are sorted/distributed on the LFDS and a latent neural network (CNN/GNN) is utilized to perform feature aggregation on the LFDS. The proposed approach is used to design several novel global feature aggregation methods based on the choice of the LFDS. We introduce multiple LFDSs including loop, 3D tensor (image), sequence, data driven graphs and an algorithm which sorts/distributes the extracted local feature vectors on the LFDS. While the computational complexity of the proposed methods are linear with the order of input graphs, they achieve competitive or better results.
Abstract（参考訳）: プーリング層を用いて単純な方法で非局所特徴集約を行うために順序が使用できる画像/テキストデータとは対照的に、グラフはテンソル表現を欠き、主に要素回りのmax/mean関数を使用して局所抽出された特徴ベクトルを集約する。本稿では,Latent Fixed Data Structure (LFDS) を用いて抽出した特徴ベクトルを集約するグラフニューラルネットワーク(GNN)において,グローバルな特徴集約のための新しい手法を提案する。ローカル抽出された特徴ベクトルをLFDSでソート/分散し、潜在ニューラルネットワーク(CNN/GNN)を用いてLFDSで特徴集約を行う。提案手法はlfdの選択に基づいていくつかの新しいグローバル特徴集約手法を設計するために用いられる。本稿では,ループ,3次元テンソル(画像),シーケンス,データ駆動グラフ,抽出したローカル特徴ベクトルを分類・分配するアルゴリズムなど,複数のLFDSを紹介する。提案手法の計算複雑性は入力グラフの次数に線形であるが,競争的あるいはよりよい結果が得られる。

関連論文リスト

Seq-HGNN: Learning Sequential Node Representation on Heterogeneous Graph [57.2953563124339]
本稿では,シーケンシャルノード表現,すなわちSeq-HGNNを用いた新しい異種グラフニューラルネットワークを提案する。 Heterogeneous Graph Benchmark (HGB) と Open Graph Benchmark (OGB) の4つの広く使われているデータセットについて広範な実験を行った。
論文参考訳（メタデータ） (2023-05-18T07:27:18Z)
Personalized Subgraph Federated Learning [56.52903162729729]
本稿では,新たなサブグラフFL問題,パーソナライズされたサブグラフFLを導入する。本稿では,Federated Personalized sUBgraph Learning (FED-PUB)を提案する。オーバーラップしないサブグラフとオーバーラップするサブグラフの両方を考慮して,FED-PUBのサブグラフFL性能を6つのデータセットで検証した。
論文参考訳（メタデータ） (2022-06-21T09:02:53Z)
A Robust Stacking Framework for Training Deep Graph Models with Multifaceted Node Features [61.92791503017341]
数値ノード特徴とグラフ構造を入力とするグラフニューラルネットワーク(GNN)は,グラフデータを用いた各種教師付き学習タスクにおいて,優れた性能を示した。 IID(non-graph)データをGNNに簡単に組み込むことはできない。本稿では、グラフ認識の伝播をIDデータに意図した任意のモデルで融合するロバストな積み重ねフレームワークを提案する。
論文参考訳（メタデータ） (2022-06-16T22:46:33Z)
Graph Ordering Attention Networks [22.468776559433614]
グラフニューラルネットワーク(GNN)は、グラフ構造化データに関わる多くの問題でうまく使われている。近隣ノード間のインタラクションをキャプチャする新しいGNNコンポーネントであるグラフ順序付け注意層(GOAT)を導入する。 GOATレイヤは、複雑な情報をキャプチャするグラフメトリクスのモデリングにおけるパフォーマンスの向上を示す。
論文参考訳（メタデータ） (2022-04-11T18:13:19Z)
Graph-adaptive Rectified Linear Unit for Graph Neural Networks [64.92221119723048]
グラフニューラルネットワーク(GNN)は、従来の畳み込みを非ユークリッドデータでの学習に拡張することで、目覚ましい成功を収めた。本稿では,周辺情報を利用した新しいパラメトリックアクティベーション機能であるグラフ適応整流線形ユニット(GRELU)を提案する。我々は,GNNのバックボーンと様々な下流タスクによって,プラグアンドプレイGRELU法が効率的かつ効果的であることを示す包括的実験を行った。
論文参考訳（メタデータ） (2022-02-13T10:54:59Z)
Local Permutation Equivariance For Graph Neural Networks [2.208242292882514]
そこで我々は,局所置換同変グラフニューラルネットワークという新しい手法を開発した。ローカルノード近傍で動作するグラフニューラルネットワークを構築するためのフレームワークを提供する。提案手法を,グラフベンチマークの分類タスクの範囲で実験的に検証する。
論文参考訳（メタデータ） (2021-11-23T13:10:34Z)
IV-GNN : Interval Valued Data Handling Using Graph Neural Network [12.651341660194534]
Graph Neural Network(GNN)は、グラフ上で標準的な機械学習を実行する強力なツールである。本稿では,新しいGNNモデルであるInterval-ValuedGraph Neural Networkを提案する。我々のモデルは、任意の可算集合は常に可算集合 $Rn$ の部分集合であるので、既存のモデルよりもはるかに一般である。
論文参考訳（メタデータ） (2021-11-17T15:37:09Z)
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)
Adaptive Filters in Graph Convolutional Neural Networks [0.0]
グラフニューラルネットワーク(GNN)は,グラフ構造化データ処理の可能性から注目されている。本稿では,グラフ上で空間畳み込みを行う手法を提案する入力に対して,ConvGNNの振る舞いを適応させる新しい手法を提案する。
論文参考訳（メタデータ） (2021-05-21T14:36:39Z)
Scalable Graph Neural Networks for Heterogeneous Graphs [12.44278942365518]
グラフニューラルネットワーク(GNN)は、グラフ構造化データを学習するためのパラメトリックモデルの一般的なクラスである。最近の研究は、GNNが主に機能をスムースにするためにグラフを使用しており、ベンチマークタスクで競合する結果を示していると主張している。本研究では、これらの結果が異種グラフに拡張可能かどうかを問うとともに、異なるエンティティ間の複数のタイプの関係を符号化する。
論文参考訳（メタデータ） (2020-11-19T06:03:35Z)
Policy-GNN: Aggregation Optimization for Graph Neural Networks [60.50932472042379]
グラフニューラルネットワーク(GNN)は、局所的なグラフ構造をモデル化し、隣人からの情報を集約することで階層的なパターンを捉えることを目的としている。複雑なグラフとスパースな特徴を与えられた各ノードに対して効果的なアグリゲーション戦略を開発することは難しい課題である。本稿では,GNNのサンプリング手順とメッセージパッシングを複合学習プロセスにモデル化するメタ政治フレームワークであるPolicy-GNNを提案する。
論文参考訳（メタデータ） (2020-06-26T17:03:06Z)

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。