Fugu-MT 論文翻訳(概要): Distribution Knowledge Embedding for Graph Pooling

論文の概要: Distribution Knowledge Embedding for Graph Pooling

arxiv url: http://arxiv.org/abs/2109.14333v1
Date: Wed, 29 Sep 2021 10:36:12 GMT
ステータス: 処理完了
システム内更新日: 2021-09-30 20:25:21.062379
Title: Distribution Knowledge Embedding for Graph Pooling
Title（参考訳）: グラフポーリングのための分布知識埋め込み
Authors: Kaixuan Chen, Jie Song, Shunyu Liu, Na Yu, Zunlei Feng, Mingli Song
Abstract要約: グラフレベルの下流タスクにとって重要なものは、トポロジ構造だけでなく、どのノードがサンプリングされたかの分布も含まれる。既存のグラフニューラルネットワーク(GNN)を活用して,分散知識埋め込み(DKEPool)と呼ばれる新しいプラグアンドプレイプーリングモジュールを提案する。 DKEPoolネットワークは、表現学習を構造学習と分布学習の2つの段階に分解する。
参考スコア（独自算出の注目度）: 32.78414015096222
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Graph-level representation learning is the pivotal step for downstream tasks that operate on the whole graph. The most common approach to this problem heretofore is graph pooling, where node features are typically averaged or summed to obtain the graph representations. However, pooling operations like averaging or summing inevitably cause massive information missing, which may severely downgrade the final performance. In this paper, we argue what is crucial to graph-level downstream tasks includes not only the topological structure but also the distribution from which nodes are sampled. Therefore, powered by existing Graph Neural Networks (GNN), we propose a new plug-and-play pooling module, termed as Distribution Knowledge Embedding (DKEPool), where graphs are rephrased as distributions on top of GNNs and the pooling goal is to summarize the entire distribution information instead of retaining a certain feature vector by simple predefined pooling operations. A DKEPool network de facto disassembles representation learning into two stages, structure learning and distribution learning. Structure learning follows a recursive neighborhood aggregation scheme to update node features where structure information is obtained. Distribution learning, on the other hand, omits node interconnections and focuses more on the distribution depicted by all the nodes. Extensive experiments demonstrate that the proposed DKEPool significantly and consistently outperforms the state-of-the-art methods.
Abstract（参考訳）: グラフレベルの表現学習は、グラフ全体で動作する下流タスクの重要なステップである。この問題に対する最も一般的なアプローチはグラフプーリングであり、ノードの特徴は通常、グラフ表現を得るために平均化または要約される。しかし、平均化や集計のようなプール操作は必然的に大量の情報が失われ、最終的なパフォーマンスが著しく低下する可能性がある。本稿では,グラフレベルのダウンストリームタスクにおいて重要なのは,トポロジ構造だけでなく,ノードのサンプル化による分布も含んでいることを論じる。そこで,既存のグラフニューラルネットワーク(GNN)をベースとして,GNN上の分布としてグラフを表現した分散知識埋め込み(DKEPool)と呼ばれる新しいプラグアンドプレイプールモジュールを提案する。 DKEPoolネットワークは、表現学習を構造学習と分布学習の2つの段階に分解する。構造学習は、構造情報が得られたノードの特徴を更新する再帰的な近傍集約スキームに従う。一方、分布学習はノードの相互接続を省略し、全てのノードが表現する分布にもっと焦点をあてる。大規模な実験により、提案されたDKEPoolは最先端の手法よりも大きく、一貫して優れていることが示された。

関連論文リスト

MDS-GNN: A Mutual Dual-Stream Graph Neural Network on Graphs with Incomplete Features and Structure [8.00268216176428]
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から表現を分析し学習するための強力なツールとして登場した。 GNNの卓越した性能にとって重要な前提条件は、完全なグラフ情報の提供である。本研究では,特徴と構造間の相互利益学習を実装した相互二重ストリームグラフニューラルネットワーク(MDS-GNN)を提案する。
論文参考訳（メタデータ） (2024-08-09T03:42:56Z)
SSHPool: The Separated Subgraph-based Hierarchical Pooling [47.78745802682822]
グラフ分類のための新しい局所グラフプーリング法,すなわち分離部分グラフベース階層プール(SSH)を開発した。局所グラフ畳み込み単位を局所構造として個別に用いて各部分グラフをより粗いノードに圧縮する。我々は、グラフ分類のためのSSHPoolモジュールに関連するエンドツーエンドのGNNフレームワークを開発する。
論文参考訳（メタデータ） (2024-03-24T13:03:35Z)
Deep Manifold Graph Auto-Encoder for Attributed Graph Embedding [51.75091298017941]
本稿では,属性付きグラフデータに対する新しいDeep Manifold (Variational) Graph Auto-Encoder (DMVGAE/DMGAE)を提案する。提案手法は,最先端のベースラインアルゴリズムを,一般的なデータセット間でのダウンストリームタスクの差を大きく越える。
論文参考訳（メタデータ） (2024-01-12T17:57:07Z)
Higher-order Clustering and Pooling for Graph Neural Networks [77.47617360812023]
グラフニューラルネットワークは、多数のグラフ分類タスクにおいて最先端のパフォーマンスを達成する。 HoscPoolはクラスタリングベースのグラフプーリング演算子で、階層的に高階情報をキャプチャする。グラフ分類タスクにおいてHoscPoolを評価し,そのクラスタリングコンポーネントを地層構造を持つグラフ上で評価する。
論文参考訳（メタデータ） (2022-09-02T09:17:10Z)
LiftPool: Lifting-based Graph Pooling for Hierarchical Graph Representation Learning [53.176603566951016]
階層グラフ表現を改善するために,リフトプール (LiftPool) と呼ばれるリフトによる3段階法を提案する。各ノードを削除するために、そのローカル情報は、隣接する保存ノードから集約されたグローバル情報を減らして得られる。ベンチマークグラフデータセットの評価では、LiftPoolはグラフ分類のタスクにおいて最先端のグラフプーリング手法を大幅に上回っている。
論文参考訳（メタデータ） (2022-04-27T12:38:02Z)
Inferential SIR-GN: Scalable Graph Representation Learning [0.4699313647907615]
グラフ表現学習法は、ネットワーク内のノードの数値ベクトル表現を生成する。本研究では,ランダムグラフ上で事前学習されたモデルであるInferential SIR-GNを提案し,ノード表現を高速に計算する。このモデルではノードの構造的役割情報を捉えることができ、ノードやグラフの分類タスクにおいて、目に見えないネットワーク上で優れた性能を示すことができる。
論文参考訳（メタデータ） (2021-11-08T20:56:37Z)
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)
Structure-Aware Hierarchical Graph Pooling using Information Bottleneck [2.7088996845250897]
グラフプーリングは、グラフ分類および回帰タスクにおけるグラフニューラルネットワーク(GNN)の重要な要素です。本稿では,情報ボトルネック(IB)の原理を応用した,HIBPoolという新しいプール手法を提案する。また,グラフの局所部分グラフ構造をキャプチャするために,新しい構造認識型識別プーリング読み出し(dip-readout)関数を導入する。
論文参考訳（メタデータ） (2021-04-27T07:27:43Z)
Accurate Learning of Graph Representations with Graph Multiset Pooling [45.72542969364438]
本稿では,その構造的依存関係に応じてノード間の相互作用をキャプチャするグラフマルチセットトランス (GMT) を提案する。実験の結果,GMTはグラフ分類ベンチマークにおいて,最先端のグラフプーリング法を著しく上回っていることがわかった。
論文参考訳（メタデータ） (2021-02-23T07:45:58Z)
CommPOOL: An Interpretable Graph Pooling Framework for Hierarchical Graph Representation Learning [74.90535111881358]
新しい解釈可能なグラフプーリングフレームワークである CommPOOL を提案します。グラフ表現学習プロセスにおいて、グラフの階層的なコミュニティ構造をキャプチャし、保存することができる。 CommPOOLは階層グラフ表現学習のための汎用的で柔軟なフレームワークです。
論文参考訳（メタデータ） (2020-12-10T21:14:18Z)
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。

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。