論文の概要: Edge-similarity-aware Graph Neural Networks

• arxiv url: http://arxiv.org/abs/2109.09432v1
• Date: Mon, 20 Sep 2021 11:25:24 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-21 16:50:05.744026
• Title: Edge-similarity-aware Graph Neural Networks
• Title（参考訳）: エッジ相似性アウェアグラフニューラルネットワーク
• Authors: Vincent Mallet, Carlos G. Oliver and William L. Hamilton
• Abstract要約: エッジ間の類似性に関する事前情報を活用可能なグラフニューラルネットワーク層を導入する。 この類似性を事前に含めるという理論上の魅力にもかかわらず、経験的性能は、ここで含んでいるタスクやデータセットでは向上しないことを示す。
• 参考スコア（独自算出の注目度）: 14.583976833366384
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Graph are a ubiquitous data representation, as they represent a flexible and compact representation. For instance, the 3D structure of RNA can be efficiently represented as $\textit{2.5D graphs}$, graphs whose nodes are nucleotides and edges represent chemical interactions. In this setting, we have biological evidence of the similarity between the edge types, as some chemical interactions are more similar than others. Machine learning on graphs have recently experienced a breakthrough with the introduction of Graph Neural Networks. This algorithm can be framed as a message passing algorithm between graph nodes over graph edges. These messages can depend on the edge type they are transmitted through, but no method currently constrains how a message is altered when the edge type changes. Motivated by the RNA use case, in this project we introduce a graph neural network layer which can leverage prior information about similarities between edges. We show that despite the theoretical appeal of including this similarity prior, the empirical performance is not enhanced on the tasks and datasets we include here.
• Abstract（参考訳）: グラフはフレキシブルでコンパクトな表現であるため、ユビキタスなデータ表現である。 例えば、RNAの3D構造は$\textit{2.5D graphs}$、ノードがヌクレオチドでエッジが化学相互作用を表すグラフとして効率的に表現できる。 この環境では、化学相互作用が他のものとより似ているため、エッジタイプ間の類似性が生物学的に証明される。 グラフ上の機械学習は最近、グラフニューラルネットワークの導入でブレークスルーを経験した。 このアルゴリズムはグラフエッジ上のグラフノード間のメッセージパッシングアルゴリズムとしてフレーム化することができる。 これらのメッセージは、送信されるエッジタイプに依存することができるが、エッジタイプが変更されたときにメッセージがどう変更されたかを制限するメソッドはない。 RNAのユースケースによって動機づけられたこのプロジェクトでは、エッジ間の類似性に関する事前情報を活用するグラフニューラルネットワークレイヤを導入します。 この類似性を先に含めるという理論的魅力にもかかわらず、経験的性能は、ここで含めるタスクやデータセットでは向上しない。

関連論文リスト

• CliquePH: Higher-Order Information for Graph Neural Networks through Persistent Homology on Clique Graphs [15.044471983688249]
  本稿では,グラフ内の高次構造に関する情報を抽出する新しい手法を提案する。 テスト精度は最大で31%向上する。
  論文  参考訳（メタデータ） (2024-09-12T16:56:26Z)
• NodeFormer: A Scalable Graph Structure Learning Transformer for Node Classification [70.51126383984555]
  本稿では,任意のノード間のノード信号を効率的に伝搬する全ペアメッセージパッシング方式を提案する。 効率的な計算は、カーナライズされたGumbel-Softmax演算子によって実現される。 グラフ上のノード分類を含む様々なタスクにおいて,本手法の有望な有効性を示す実験を行った。
  論文  参考訳（メタデータ） (2023-06-14T09:21:15Z)
• Dynamic Graph Message Passing Networks for Visual Recognition [112.49513303433606]
  長距離依存のモデリングは、コンピュータビジョンにおけるシーン理解タスクに不可欠である。 完全連結グラフはそのようなモデリングには有益であるが、計算オーバーヘッドは禁じられている。 本稿では,計算複雑性を大幅に低減する動的グラフメッセージパッシングネットワークを提案する。
  論文  参考訳（メタデータ） (2022-09-20T14:41:37Z)
• Neural Graph Matching for Pre-training Graph Neural Networks [72.32801428070749]
  グラフニューラルネットワーク(GNN)は、構造データのモデリングにおいて強力な能力を示している。 GMPTと呼ばれる新しいグラフマッチングベースのGNN事前学習フレームワークを提案する。 提案手法は,完全自己指導型プレトレーニングと粗粒型プレトレーニングに適用できる。
  論文  参考訳（メタデータ） (2022-03-03T09:53:53Z)
• Graph Kernel Neural Networks [53.91024360329517]
  本稿では、グラフ上の内部積を計算するカーネル関数であるグラフカーネルを用いて、標準畳み込み演算子をグラフ領域に拡張することを提案する。 これにより、入力グラフの埋め込みを計算する必要のない完全に構造的なモデルを定義することができる。 私たちのアーキテクチャでは,任意の種類のグラフカーネルをプラグインすることが可能です。
  論文  参考訳（メタデータ） (2021-12-14T14:48:08Z)
• Learning Graph Representations [0.0]
  グラフニューラルネットワーク(GNN)は、大きな動的グラフデータセットに対する洞察を得るための効率的な方法である。 本稿では,グラフ畳み込みニューラルネットワークのオートエンコーダとソーシャル・テンポラル・グラフ・ニューラルネットワークについて論じる。
  論文  参考訳（メタデータ） (2021-02-03T12:07:55Z)
• Graph Contrastive Learning with Augmentations [109.23158429991298]
  グラフデータの教師なし表現を学習するためのグラフコントラスト学習(GraphCL)フレームワークを提案する。 我々のフレームワークは、最先端の手法と比較して、類似またはより良い一般化可能性、転送可能性、堅牢性のグラフ表現を作成できることを示す。
  論文  参考訳（メタデータ） (2020-10-22T20:13:43Z)
• 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)
• Graph Representation Learning Network via Adaptive Sampling [4.996520403438455]
  Graph Attention Network(GAT)とGraphSAGEは、グラフ構造化データを操作するニューラルネットワークアーキテクチャである。 GraphSAGEが提起した課題のひとつは、グラフ構造に基づいた隣の機能をスマートに組み合わせる方法だ。 より効率的で,異なるエッジ型情報を組み込むことが可能な,これらの問題に対処する新しいアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2020-06-08T14:36:20Z)
• Differentiable Graph Module (DGM) for Graph Convolutional Networks [44.26665239213658]
  Differentiable Graph Module (DGM) は、下流タスクに最適なグラフのエッジ確率を予測する学習可能な関数である。 医療分野(退院予測)、脳画像(年齢予測)、コンピュータグラフィックス(3Dポイントクラウドセグメンテーション)、コンピュータビジョン(ゼロショット学習)の応用を幅広く評価する。
  論文  参考訳（メタデータ） (2020-02-11T12:59:35Z)

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。