Fugu-MT 論文翻訳(概要): Graph Embedding via Diffusion-Wavelets-Based Node Feature Distribution Characterization

論文の概要: Graph Embedding via Diffusion-Wavelets-Based Node Feature Distribution Characterization

arxiv url: http://arxiv.org/abs/2109.07016v1
Date: Tue, 14 Sep 2021 23:26:09 GMT
ステータス: 処理完了
システム内更新日: 2021-09-16 15:11:37.013624
Title: Graph Embedding via Diffusion-Wavelets-Based Node Feature Distribution Characterization
Title（参考訳）: 拡散ウェーブレットに基づくノード特徴分布解析によるグラフ埋め込み
Authors: Lili Wang, Chenghan Huang, Weicheng Ma, Xinyuan Cao, Soroush Vosoughi
Abstract要約: 本稿では,新しい教師なし全グラフ埋め込み手法を提案する。実世界の4つのデータセットに基づいて,12のよく知られたベースラインに対して,本手法の評価を行った。
参考スコア（独自算出の注目度）: 8.24569464695234
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Recent years have seen a rise in the development of representational learning methods for graph data. Most of these methods, however, focus on node-level representation learning at various scales (e.g., microscopic, mesoscopic, and macroscopic node embedding). In comparison, methods for representation learning on whole graphs are currently relatively sparse. In this paper, we propose a novel unsupervised whole graph embedding method. Our method uses spectral graph wavelets to capture topological similarities on each k-hop sub-graph between nodes and uses them to learn embeddings for the whole graph. We evaluate our method against 12 well-known baselines on 4 real-world datasets and show that our method achieves the best performance across all experiments, outperforming the current state-of-the-art by a considerable margin.
Abstract（参考訳）: 近年,グラフデータの表現学習手法の開発が進んでいる。しかし、これらの手法のほとんどは、様々なスケール(顕微鏡、メソスコピック、マクロノード埋め込みなど)でのノードレベルの表現学習に焦点を当てている。比較して、グラフ全体の表現学習の方法は、現在比較的少ない。本稿では,新しい教師なし全グラフ埋め込み手法を提案する。本手法はスペクトルグラフウェーブレットを用いて,各ノード間のkホップ部分グラフの位相的類似性を捉え,グラフ全体の埋め込みを学習する。 4つの実世界のデータセット上で12の既知のベースラインに対して評価を行い,本手法がすべての実験で最高の性能を達成できることを示す。

関連論文リスト

Knowledge Probing for Graph Representation Learning [12.960185655357495]
グラフ表現学習において,グラフ学習手法のファミリーが異なるレベルの知識を符号化したかどうかを調査・解釈するための新しいグラフ探索フレームワーク(GraphProbe)を提案する。グラフの固有の性質に基づいて,異なる視点からグラフ表現学習過程を体系的に研究する3つのプローブを設計する。本研究では、ランダムウォークに基づく9つの代表的なグラフ学習手法、基本グラフニューラルネットワーク、自己教師付きグラフ手法を用いて、詳細な評価ベンチマークを構築し、ノード分類、リンク予測、グラフ分類のための6つのベンチマークデータセットでそれらを探索する。
論文参考訳（メタデータ） (2024-08-07T16:27:45Z)
Robust Graph Structure Learning under Heterophily [12.557639223778722]
本稿では、下流タスクのための異種データから高品質なグラフを実現するための、新しい頑健なグラフ構造学習法を提案する。まず,そのノードの特徴に構造情報をエンコードすることで,各ノードが近隣ノードとより区別されるようにハイパスフィルタを適用する。そして、異なるレベルのノイズを特徴付ける適応ノルムを持つ頑健なグラフを学習する。
論文参考訳（メタデータ） (2024-03-06T12:29:13Z)
Graph Contrastive Learning under Heterophily via Graph Filters [51.46061703680498]
グラフコントラスト学習(CL)法は,GNNエンコーダを用いて得られる拡張ノード表現の類似性を最大化することにより,ノード表現を自己指導的に学習する。本研究では,ヘテロフィリー下でのグラフ表現学習に有効なグラフCL法であるHLCLを提案する。我々の広範な実験により、HLCLはヘテロフィリーのベンチマークデータセットや大規模実世界のグラフで最先端のグラフCL法を最大7%上回り、ヘテロフィリーのデータセットでグラフ教師あり学習法を最大10%上回ります。
論文参考訳（メタデータ） (2023-03-11T08:32:39Z)
State of the Art and Potentialities of Graph-level Learning [54.68482109186052]
グラフレベルの学習は、比較、回帰、分類など、多くのタスクに適用されている。グラフの集合を学習する伝統的なアプローチは、サブストラクチャのような手作りの特徴に依存している。ディープラーニングは、機能を自動的に抽出し、グラフを低次元表現に符号化することで、グラフレベルの学習をグラフの規模に適応させるのに役立っている。
論文参考訳（メタデータ） (2023-01-14T09:15:49Z)
ARIEL: Adversarial Graph Contrastive Learning [51.14695794459399]
ARIELは、ノードレベルとグラフレベルの両方の分類タスクにおいて、現在のグラフコントラスト学習法よりも一貫して優れている。 ARIELは敵の攻撃に対してより堅牢である。
論文参考訳（メタデータ） (2022-08-15T01:24:42Z)
Representing Videos as Discriminative Sub-graphs for Action Recognition [165.54738402505194]
ビデオ中の各アクションの識別パターンを表現およびエンコードするためのサブグラフの新たな設計を提案する。時空グラフとクラスタを各スケールでコンパクトなサブグラフに新たに構築するMUlti-scale Sub-Earn Ling (MUSLE) フレームワークを提案する。
論文参考訳（メタデータ） (2022-01-11T16:15:25Z)
Edge but not Least: Cross-View Graph Pooling [76.71497833616024]
本稿では,重要なグラフ構造情報を活用するために,クロスビューグラフプーリング(Co-Pooling)手法を提案する。クロスビュー相互作用、エッジビュープーリング、ノードビュープーリングにより、相互にシームレスに強化され、より情報的なグラフレベルの表現が学習される。
論文参考訳（メタデータ） (2021-09-24T08:01:23Z)
Graph Representation Learning by Ensemble Aggregating Subgraphs via Mutual Information Maximization [5.419711903307341]
グラフニューラルネットワークが学習するグラフレベルの表現を高めるための自己監視型学習法を提案する。グラフ構造を網羅的に理解するために,サブグラフ法のようなアンサンブル学習を提案する。また, 効率的かつ効果的な対位学習を実現するために, ヘッドテールコントラストサンプル構築法を提案する。
論文参考訳（メタデータ） (2021-03-24T12:06:12Z)
Sub-graph Contrast for Scalable Self-Supervised Graph Representation Learning [21.0019144298605]
既存のグラフニューラルネットワークは、計算量やメモリコストが限られているため、完全なグラフデータで供給される。 textscSubg-Conは、中央ノードとそのサンプルサブグラフ間の強い相関を利用して、地域構造情報をキャプチャすることで提案される。既存のグラフ表現学習アプローチと比較して、textscSubg-Conは、より弱い監視要件、モデル学習のスケーラビリティ、並列化において、顕著なパフォーマンス上のアドバンテージを持っています。
論文参考訳（メタデータ） (2020-09-22T01:58:19Z)
Graph Convolutional Networks using Heat Kernel for Semi-supervised Learning [47.18608594687675]
グラフベースの半教師付き学習の鍵となるのは、グラフ構造によってノード上のラベルや機能の滑らかさをキャプチャすることだ。本稿では,低周波フィルタの高速化とグラフ上の信号変動のスムーズ性向上に熱カーネルを活用するGraphHeatを提案する。 GraphHeatは、3つのベンチマークデータセットにわたるグラフベースの半教師付き分類タスクにおいて、最先端の結果を達成する。
論文参考訳（メタデータ） (2020-07-27T11:53:52Z)
Graph Pooling with Node Proximity for Hierarchical Representation Learning [80.62181998314547]
本稿では,ノード近接を利用したグラフプーリング手法を提案し,そのマルチホップトポロジを用いたグラフデータの階層的表現学習を改善する。その結果,提案したグラフプーリング戦略は,公開グラフ分類ベンチマークデータセットの集合において,最先端のパフォーマンスを達成できることが示唆された。
論文参考訳（メタデータ） (2020-06-19T13:09:44Z)

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。