Fugu-MT 論文翻訳(概要): Adversarial Stein Training for Graph Energy Models

論文の概要: Adversarial Stein Training for Graph Energy Models

arxiv url: http://arxiv.org/abs/2108.12982v1
Date: Mon, 30 Aug 2021 03:55:18 GMT
ステータス: 処理完了
システム内更新日: 2021-08-31 14:31:00.789785
Title: Adversarial Stein Training for Graph Energy Models
Title（参考訳）: グラフエネルギーモデルのためのadversarial stein training
Authors: Shiv Shankar
Abstract要約: 我々は、多チャネルグラフニューラルネットワーク(GNN)に基づくエネルギーベースモデル(EBM)を用いて、グラフ上の不変な非正規化密度関数の置換を学習する。提案手法は,ベンチマークモデルと比較して,グラフ生成における競合的な結果が得られることがわかった。
参考スコア（独自算出の注目度）: 11.182263394122142
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: Learning distributions over graph-structured data is a challenging task with many applications in biology and chemistry. In this work we use an energy-based model (EBM) based on multi-channel graph neural networks (GNN) to learn permutation invariant unnormalized density functions on graphs. Unlike standard EBM training methods our approach is to learn the model via minimizing adversarial stein discrepancy. Samples from the model can be obtained via Langevin dynamics based MCMC. We find that this approach achieves competitive results on graph generation compared to benchmark models.
Abstract（参考訳）: グラフ構造化データ上での学習分布は、生物学や化学における多くの応用において困難な課題である。本研究では、多チャネルグラフニューラルネットワーク(GNN)に基づくエネルギーモデル(EBM)を用いて、グラフ上の変分非正規化密度関数を学習する。標準的なEMM訓練方法とは異なり、我々のアプローチは敵のスタイン差を最小化することでモデルを学習することである。モデルからのサンプルは、Langevin dynamics based MCMCによって得ることができる。提案手法は,ベンチマークモデルと比較して,グラフ生成における競合的な結果が得られる。

関連論文リスト

Graph Neural Stochastic Differential Equations [3.568455515949288]
グラフニューラル微分方程式(Graph Neural Differential Equations: Graph Neural SDEs)を提案する。この手法は、ブラウン運動を用いたデータ表現にランダム性を埋め込むことにより、グラフニューラル正規微分方程式(Graph Neural Ordinary Differential Equations, Graph Neural ODEs)を強化する。我々は、グラフ畳み込みネットワークやグラフニューラルODEといった従来のモデル、特に信頼性予測において、潜在グラフニューラルSDEが超越していることを発見した。
論文参考訳（メタデータ） (2023-08-23T09:20:38Z)
Anomaly Detection in Networks via Score-Based Generative Models [14.95826212004679]
属性付きグラフにおけるノードの異常検出は、異なるデータセット間でうまく機能するメソッドがないという難しい問題である。グラフ生成モデルにおけるスコアベースモデルの現状に触発され、上記の問題に組み込むことを提案する。提案手法は,小規模グラフ上での競合結果を実現する。
論文参考訳（メタデータ） (2023-06-27T09:28:29Z)
Deep Manifold Learning with Graph Mining [80.84145791017968]
グラフマイニングのための非段階的決定層を持つ新しいグラフ深層モデルを提案する。提案モデルでは,現行モデルと比較して最先端性能を実現している。
論文参考訳（メタデータ） (2022-07-18T04:34:08Z)
Similarity-aware Positive Instance Sampling for Graph Contrastive Pre-training [82.68805025636165]
トレーニングセット内の既存グラフから直接正のグラフインスタンスを選択することを提案する。私たちの選択は、特定のドメイン固有のペアワイズ類似度測定に基づいています。さらに,ノードを動的にマスキングしてグラフ上に均等に分配する適応ノードレベルの事前学習手法を開発した。
論文参考訳（メタデータ） (2022-06-23T20:12:51Z)
Score-based Generative Modeling of Graphs via the System of Stochastic Differential Equations [57.15855198512551]
本稿では,連続時間フレームワークを用いたグラフのスコアベース生成モデルを提案する。本手法は, トレーニング分布に近い分子を生成できるが, 化学価数則に違反しないことを示す。
論文参考訳（メタデータ） (2022-02-05T08:21:04Z)
A Deep Latent Space Model for Graph Representation Learning [10.914558012458425]
本稿では,従来の潜時変動に基づく生成モデルをディープラーニングフレームワークに組み込むために,有向グラフのための深潜時空間モデル(DLSM)を提案する。提案モデルは,階層的変動型オートエンコーダアーキテクチャによって階層的に接続されるグラフ畳み込みネットワーク(GCN)エンコーダとデコーダから構成される。実世界のデータセットにおける実験により,提案モデルがリンク予測とコミュニティ検出の両タスクにおける最先端のパフォーマンスを達成することを示す。
論文参考訳（メタデータ） (2021-06-22T12:41:19Z)
Hyperbolic Variational Graph Neural Network for Modeling Dynamic Graphs [77.33781731432163]
我々は,ノード表現の推論を目的とした双曲空間における動的グラフ表現を初めて学習する。本稿では,HVGNNと呼ばれる新しいハイパーボリック変動グラフネットワークを提案する。特に,動力学をモデル化するために,理論的に接地した時間符号化手法に基づく時間gnn(tgnn)を導入する。
論文参考訳（メタデータ） (2021-04-06T01:44:15Z)
Kernel-Based Models for Influence Maximization on Graphs based on Gaussian Process Variance Minimization [9.357483974291899]
グラフ上の新しい影響モデル(IM)の導入と検討を行う。データ駆動アプローチは、このIMモデルの適切なカーネルを決定するために適用することができる。この分野でコストのかかるモンテカルロシミュレーションに依存するモデルと比較して、我々のモデルはシンプルでコスト効率のよい更新戦略を可能にする。
論文参考訳（メタデータ） (2021-03-02T08:55:34Z)
E(n) Equivariant Graph Neural Networks [86.75170631724548]
本稿では,E(n)-Equivariant Graph Neural Networks (EGNNs) と呼ばれる回転,翻訳,反射,置換に等価なグラフニューラルネットワークを学習する新しいモデルを提案する。既存の手法とは対照的に、私たちの仕事は計算的に高価な中間層における高階表現を必要としません。
論文参考訳（メタデータ） (2021-02-19T10:25:33Z)
Permutation Invariant Graph Generation via Score-Based Generative Modeling [114.12935776726606]
本稿では,最近のスコアベース生成モデルを用いて,グラフモデリングにおける置換不変手法を提案する。特に、入力グラフにおけるデータ分布の勾配をモデル化するために、置換同変のマルチチャネルグラフニューラルネットワークを設計する。グラフ生成では、我々の学習アプローチはベンチマークデータセット上の既存のモデルよりも良い、あるいは同等の結果を得る。
論文参考訳（メタデータ） (2020-03-02T03:06:14Z)

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。