論文の概要: Adaptive Neural Message Passing for Inductive Learning on Hypergraphs

• arxiv url: http://arxiv.org/abs/2109.10683v1
• Date: Wed, 22 Sep 2021 12:24:02 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-23 13:33:47.668806
• Title: Adaptive Neural Message Passing for Inductive Learning on Hypergraphs
• Title（参考訳）: ハイパーグラフを用いた帰納学習のための適応型ニューラルメッセージパッシング
• Authors: Devanshu Arya, Deepak K. Gupta, Stevan Rudinac and Marcel Worring
• Abstract要約: 本稿では,新しいハイパーグラフ学習フレームワークHyperMSGを紹介する。 各ノードの次数集中度に関連する注意重みを学習することで、データとタスクに適応する。 堅牢で、幅広いタスクやデータセットで最先端のハイパーグラフ学習手法より優れています。
• 参考スコア（独自算出の注目度）: 21.606287447052757
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graphs are the most ubiquitous data structures for representing relational datasets and performing inferences in them. They model, however, only pairwise relations between nodes and are not designed for encoding the higher-order relations. This drawback is mitigated by hypergraphs, in which an edge can connect an arbitrary number of nodes. Most hypergraph learning approaches convert the hypergraph structure to that of a graph and then deploy existing geometric deep learning methods. This transformation leads to information loss, and sub-optimal exploitation of the hypergraph's expressive power. We present HyperMSG, a novel hypergraph learning framework that uses a modular two-level neural message passing strategy to accurately and efficiently propagate information within each hyperedge and across the hyperedges. HyperMSG adapts to the data and task by learning an attention weight associated with each node's degree centrality. Such a mechanism quantifies both local and global importance of a node, capturing the structural properties of a hypergraph. HyperMSG is inductive, allowing inference on previously unseen nodes. Further, it is robust and outperforms state-of-the-art hypergraph learning methods on a wide range of tasks and datasets. Finally, we demonstrate the effectiveness of HyperMSG in learning multimodal relations through detailed experimentation on a challenging multimedia dataset.
• Abstract（参考訳）: グラフは、関係データセットを表現し、推論を実行するための最もユビキタスなデータ構造である。 しかし、それらはノード間のペア関係のみをモデル化し、高次関係を符号化するために設計されていない。 この欠点は、エッジが任意の数のノードを接続できるハイパーグラフによって軽減される。 ほとんどのハイパーグラフ学習手法は、ハイパーグラフ構造をグラフに変換し、既存の幾何学的深層学習手法をデプロイする。 この変換は、情報損失とハイパーグラフの表現力の準最適利用につながる。 モジュール型2レベルニューラルメッセージパッシング戦略を用いて,ハイパーエッジ内とハイパーエッジ間の情報を正確かつ効率的に伝播する,新しいハイパーグラフ学習フレームワークhypermsgを提案する。 HyperMSGは各ノードの次数集中度に関連する注意重みを学習することで、データとタスクに適応する。 このようなメカニズムはノードの局所的および大域的重要性を定量化し、ハイパーグラフの構造的性質を捉える。 HyperMSGはインダクティブであり、以前は見つからなかったノードでの推論を可能にする。 さらに、堅牢で、幅広いタスクやデータセットで最先端のハイパーグラフ学習方法よりも優れています。 最後に,マルチメディアデータセット上での詳細な実験を通して,マルチモーダル関係学習におけるhypermsgの有効性を実証する。

関連論文リスト

• Hypergraph Transformer for Semi-Supervised Classification [50.92027313775934]
  我々は新しいハイパーグラフ学習フレームワークHyperGraph Transformer(HyperGT)を提案する。 HyperGTはTransformerベースのニューラルネットワークアーキテクチャを使用して、すべてのノードとハイパーエッジのグローバル相関を効果的に検討する。 局所接続パターンを保ちながら、グローバルな相互作用を効果的に組み込むことで、包括的なハイパーグラフ表現学習を実現する。
  論文  参考訳（メタデータ） (2023-12-18T17:50:52Z)
• Hypergraph-MLP: Learning on Hypergraphs without Message Passing [41.43504601820411]
  多くのハイパーグラフニューラルネットワークは、ハイパーグラフ構造上のメッセージパッシングを利用してノード表現学習を強化する。 我々は、ハイパーグラフ構造に関する情報を、明示的なメッセージパッシングを伴わずに、トレーニングの監督に組み込む方法を提案する。 具体的には,ハイパーグラフ構造化データのための新しい学習フレームワークであるHypergraph-MLPを紹介する。
  論文  参考訳（メタデータ） (2023-12-15T13:30:04Z)
• From Hypergraph Energy Functions to Hypergraph Neural Networks [94.88564151540459]
  パラメータ化されたハイパーグラフ正規化エネルギー関数の表現型族を示す。 次に、これらのエネルギーの最小化がノード埋め込みとして効果的に機能することを実証する。 提案した双レベルハイパーグラフ最適化と既存のGNNアーキテクチャを共通的に用いている。
  論文  参考訳（メタデータ） (2023-06-16T04:40:59Z)
• 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)
• Augmentations in Hypergraph Contrastive Learning: Fabricated and Generative [126.0985540285981]
  我々は、ハイパーグラフニューラルネットワークの一般化性を改善するために、画像/グラフからの対照的な学習アプローチ(ハイパーGCLと呼ぶ)を適用する。 我々は、高次関係を符号化したハイパーエッジを増大させる2つのスキームを作成し、グラフ構造化データから3つの拡張戦略を採用する。 拡張ビューを生成するためのハイパーグラフ生成モデルを提案し、次に、ハイパーグラフ拡張とモデルパラメータを協調的に学習するエンド・ツー・エンドの微分可能なパイプラインを提案する。
  論文  参考訳（メタデータ） (2022-10-07T20:12:20Z)
• Hypergraph Convolutional Networks via Equivalency between Hypergraphs and Undirected Graphs [59.71134113268709]
  本稿では,EDVWおよびEIVWハイパーグラフを処理可能な一般学習フレームワークであるGeneral Hypergraph Spectral Convolution(GHSC)を提案する。 本稿では,提案するフレームワークが最先端の性能を達成できることを示す。 ソーシャルネットワーク分析,視覚的客観的分類,タンパク質学習など,様々な分野の実験により,提案手法が最先端の性能を達成できることが実証された。
  論文  参考訳（メタデータ） (2022-03-31T10:46:47Z)
• Learnable Hypergraph Laplacian for Hypergraph Learning [34.28748027233654]
  HyperGraph Convolutional Neural Networks (HGCNN) は、グラフ構造化データに保存された高次関係をモデル化する可能性を示した。 我々はHypERgrAph Laplacian aDaptor(HERALD)と呼ばれる適応的なハイパーグラフ構造を構築するための最初の学習ベース手法を提案する。 HERALDは、ハイパーノードとハイパーエッジの隣接関係をエンドツーエンドで適応的に最適化し、タスク認識ハイパーグラフを学習する。
  論文  参考訳（メタデータ） (2021-06-12T02:07:07Z)
• Learnable Hypergraph Laplacian for Hypergraph Learning [34.28748027233654]
  HyperGraph Convolutional Neural Networks (HGCNN) は、グラフ構造化データに保存された高次関係をモデル化する可能性を示した。 我々はHypERgrAph Laplacian aDaptor(HERALD)と呼ばれる適応的なハイパーグラフ構造を構築するための最初の学習ベース手法を提案する。 HERALDは、ハイパーノードとハイパーエッジの隣接関係をエンドツーエンドで適応的に最適化し、タスク認識ハイパーグラフを学習する。
  論文  参考訳（メタデータ） (2021-06-10T12:37:55Z)
• HyperSAGE: Generalizing Inductive Representation Learning on Hypergraphs [24.737560790401314]
  2段階のニューラルメッセージパッシング戦略を用いて、ハイパーグラフを介して情報を正確かつ効率的に伝播する新しいハイパーグラフ学習フレームワークHyperSAGEを提案する。 本稿では,HyperSAGEが代表的ベンチマークデータセット上で最先端のハイパーグラフ学習手法より優れていることを示す。
  論文  参考訳（メタデータ） (2020-10-09T13:28:06Z)
• Tensor Graph Convolutional Networks for Multi-relational and Robust Learning [74.05478502080658]
  本稿では,テンソルで表されるグラフの集合に関連するデータから,スケーラブルな半教師付き学習(SSL)を実現するためのテンソルグラフ畳み込みネットワーク(TGCN)を提案する。 提案アーキテクチャは、標準的なGCNと比較して大幅に性能が向上し、最先端の敵攻撃に対処し、タンパク質間相互作用ネットワーク上でのSSL性能が著しく向上する。
  論文  参考訳（メタデータ） (2020-03-15T02:33:21Z)

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。