Fugu-MT 論文翻訳(概要): Deep Neural Matching Models for Graph Retrieval

論文の概要: Deep Neural Matching Models for Graph Retrieval

arxiv url: http://arxiv.org/abs/2110.00925v1
Date: Sun, 3 Oct 2021 05:34:46 GMT
ステータス: 処理完了
システム内更新日: 2021-10-06 07:21:50.291600
Title: Deep Neural Matching Models for Graph Retrieval
Title（参考訳）: グラフ検索のためのディープニューラルマッチングモデル
Authors: Chitrank Gupta, Yash Jain
Abstract要約: 我々は、グラフマッチングとグラフのコーパスからの類似グラフの検索のためのニューラルネットワークベースのアプローチに焦点を当てる。 2つのグラフ間の類似性をソフトに予測する方法について検討する。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Graph Retrieval has witnessed continued interest and progress in the past few years. In thisreport, we focus on neural network based approaches for Graph matching and retrieving similargraphs from a corpus of graphs. We explore methods which can soft predict the similaritybetween two graphs. Later, we gauge the power of a particular baseline (Shortest Path Kernel)and try to model it in our product graph random walks setting while making it more generalised.
Abstract（参考訳）: Graph Retrievalはこの数年間、継続的な関心と進歩を目撃してきた。本稿では、グラフマッチングとグラフのコーパスからの類似グラフ検索のためのニューラルネットワークベースのアプローチに焦点を当てる。 2つのグラフ間の類似性をソフトに予測する手法を検討する。その後、特定のベースライン(最短パスカーネル)のパワーを計測し、製品グラフのランダムウォーク設定でモデル化し、より一般化するようにします。

関連論文リスト

Towards Accurate Subgraph Similarity Computation via Neural Graph Pruning [22.307526272085024]
本研究では,グラフプルーニングをノード遅延問題に変換し,それを微分可能な問題に緩和する。このアイデアに基づいて、サブグラフ編集距離(SED)のタイプを近似する新しいニューラルネットワークを設計する。モデルの設計では,クエリグラフに関する情報を活用し,対象グラフのプルーニングを誘導するアテンション機構を提案する。
論文参考訳（メタデータ） (2022-10-19T15:16:28Z)
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)
CGMN: A Contrastive Graph Matching Network for Self-Supervised Graph Similarity Learning [65.1042892570989]
自己教師付きグラフ類似性学習のためのコントラストグラフマッチングネットワーク(CGMN)を提案する。我々は,効率的なノード表現学習のために,クロスビューインタラクションとクロスグラフインタラクションという2つの戦略を用いる。我々はノード表現をグラフ類似性計算のためのプール演算によりグラフレベル表現に変換する。
論文参考訳（メタデータ） (2022-05-30T13:20:26Z)
Neighborhood Random Walk Graph Sampling for Regularized Bayesian Graph Convolutional Neural Networks [0.6236890292833384]
本稿では,近隣ランダムウォークサンプリング(BGCN-NRWS)を用いたベイジアングラフ畳み込みネットワーク(Bayesian Graph Convolutional Network)を提案する。 BGCN-NRWSは、グラフ構造を利用したマルコフ・チェイン・モンテカルロ(MCMC)に基づくグラフサンプリングアルゴリズムを使用し、変分推論層を用いてオーバーフィッティングを低減し、半教師付きノード分類における最先端と比較して一貫して競合する分類結果を得る。
論文参考訳（メタデータ） (2021-12-14T20:58:27Z)
Joint Graph Learning and Matching for Semantic Feature Correspondence [69.71998282148762]
本稿では,グラフマッチングを向上するための信頼度の高いグラフ構造を探索するために,GLAMという共用電子グラフ学習とマッチングネットワークを提案する。提案手法は,3つの人気ビジュアルマッチングベンチマーク (Pascal VOC, Willow Object, SPair-71k) で評価される。すべてのベンチマークにおいて、従来の最先端のグラフマッチング手法よりも大きなマージンを達成している。
論文参考訳（メタデータ） (2021-09-01T08:24:02Z)
Order Matters: Probabilistic Modeling of Node Sequence for Graph Generation [18.03898476141173]
グラフ生成モデルはグラフ上の分布を定義する。グラフ上の正確な結合確率とシーケンシャルプロセスのノード順序を導出する。我々は,従来の手法のアドホックノード順序を使わずに,この境界を最大化してグラフ生成モデルを訓練する。
論文参考訳（メタデータ） (2021-06-11T06:37:52Z)
Generating a Doppelganger Graph: Resembling but Distinct [5.618335078130568]
本論文では,与えられたグラフ特性に類似したドッペルガンガーグラフを生成する手法を提案する。このアプローチは、グラフ表現学習、生成的敵ネットワーク、およびグラフ実現アルゴリズムのオーケストレーションである。
論文参考訳（メタデータ） (2021-01-23T22:08:27Z)
Line Graph Neural Networks for Link Prediction [71.00689542259052]
実世界の多くのアプリケーションにおいて古典的なグラフ解析問題であるグラフリンク予測タスクについて検討する。このフォーマリズムでは、リンク予測問題をグラフ分類タスクに変換する。本稿では,線グラフをグラフ理論に用いて,根本的に異なる新しい経路を求めることを提案する。特に、線グラフの各ノードは、元のグラフのユニークなエッジに対応するため、元のグラフのリンク予測問題は、グラフ分類タスクではなく、対応する線グラフのノード分類問題として等価に解決できる。
論文参考訳（メタデータ） (2020-10-20T05:54:31Z)
Multilevel Graph Matching Networks for Deep Graph Similarity Learning [79.3213351477689]
グラフ構造オブジェクト間のグラフ類似性を計算するためのマルチレベルグラフマッチングネットワーク(MGMN)フレームワークを提案する。標準ベンチマークデータセットの欠如を補うため、グラフグラフ分類とグラフグラフ回帰タスクの両方のためのデータセットセットを作成し、収集した。総合的な実験により、MGMNはグラフグラフ分類とグラフグラフ回帰タスクの両方において、最先端のベースラインモデルより一貫して優れていることが示された。
論文参考訳（メタデータ） (2020-07-08T19:48:19Z)
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)
Graph Partitioning and Graph Neural Network based Hierarchical Graph Matching for Graph Similarity Computation [5.710312846460821]
グラフ類似性は、下流アプリケーションを容易にするために、1組のグラフ間の類似度スコアを予測することを目的としている。この問題を効果的に解決するために,PSimGNNと呼ばれるグラフ分割とグラフニューラルネットワークに基づくモデルを提案する。 PSimGNNはグラフ類似度メトリックとして近似グラフ編集距離(GED)を用いてグラフ類似度計算タスクにおける最先端の手法より優れている。
論文参考訳（メタデータ） (2020-05-16T15:01:58Z)

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。