Fugu-MT 論文翻訳(概要): Simplicial Convolutional Neural Networks

論文の概要: Simplicial Convolutional Neural Networks

arxiv url: http://arxiv.org/abs/2110.02585v1
Date: Wed, 6 Oct 2021 08:52:55 GMT
ステータス: 翻訳完了
システム内更新日: 2021-10-08 02:07:10.513413
Title: Simplicial Convolutional Neural Networks
Title（参考訳）: 単純な畳み込みニューラルネットワーク
Authors: Maosheng Yang, Elvin Isufi and Geert Leus
Abstract要約: 近年,信号処理やニューラルネットワークが拡張されて,グラフのデータ処理や学習が行われている。本稿では,単純な畳み込みニューラルネットワーク(SCNN)アーキテクチャを提案する。
参考スコア（独自算出の注目度）: 36.078200422283835
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Graphs can model networked data by representing them as nodes and their pairwise relationships as edges. Recently, signal processing and neural networks have been extended to process and learn from data on graphs, with achievements in tasks like graph signal reconstruction, graph or node classifications, and link prediction. However, these methods are only suitable for data defined on the nodes of a graph. In this paper, we propose a simplicial convolutional neural network (SCNN) architecture to learn from data defined on simplices, e.g., nodes, edges, triangles, etc. We study the SCNN permutation and orientation equivariance, complexity, and spectral analysis. Finally, we test the SCNN performance for imputing citations on a coauthorship complex.
Abstract（参考訳）: グラフはノードとして表現することで、ネットワーク化されたデータをモデル化できる。近年、信号処理とニューラルネットワークがグラフ上のデータから処理と学習のために拡張され、グラフ信号の再構成、グラフまたはノードの分類、リンク予測などのタスクで業績を上げている。しかし、これらの方法はグラフのノード上で定義されたデータにのみ適合する。本稿では,ノード,エッジ,三角形など,単純化上で定義されたデータから学習する,単純な畳み込みニューラルネットワーク(SCNN)アーキテクチャを提案する。 scnnの置換と配向の等分散, 複雑性, スペクトル解析について検討した。最後に,コオーサシップ・コンプレックス上での引用を命令するためにSCNNの性能を検証した。

関連論文リスト

Degree-based stratification of nodes in Graph Neural Networks [66.17149106033126]
グラフニューラルネットワーク(GNN)アーキテクチャを変更して,各グループのノードに対して,重み行列を個別に学習する。このシンプルな実装変更により、データセットとGNNメソッドのパフォーマンスが改善されているようだ。
論文参考訳（メタデータ） (2023-12-16T14:09:23Z)
A Survey on Graph Classification and Link Prediction based on GNN [11.614366568937761]
本稿では,グラフ畳み込みニューラルネットワークの世界について述べる。グラフ畳み込みニューラルネットワークの基礎を詳述する。注意機構とオートエンコーダに基づいて、グラフニューラルネットワークモデルを解明する。
論文参考訳（メタデータ） (2023-07-03T09:08:01Z)
Seq-HGNN: Learning Sequential Node Representation on Heterogeneous Graph [57.2953563124339]
本稿では,シーケンシャルノード表現,すなわちSeq-HGNNを用いた新しい異種グラフニューラルネットワークを提案する。 Heterogeneous Graph Benchmark (HGB) と Open Graph Benchmark (OGB) の4つの広く使われているデータセットについて広範な実験を行った。
論文参考訳（メタデータ） (2023-05-18T07:27:18Z)
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)
GraphSVX: Shapley Value Explanations for Graph Neural Networks [81.83769974301995]
グラフニューラルネットワーク(GNN)は、幾何データに基づく様々な学習タスクにおいて大きな性能を発揮する。本稿では,既存のGNN解説者の多くが満足する統一フレームワークを提案する。 GNN用に特別に設計されたポストホックローカルモデル非依存説明法であるGraphSVXを紹介します。
論文参考訳（メタデータ） (2021-04-18T10:40:37Z)
Graph Neural Networks: Architectures, Stability and Transferability [176.3960927323358]
グラフニューラルネットワーク(GNN)は、グラフでサポートされている信号のための情報処理アーキテクチャである。これらは、個々の層がグラフ畳み込みフィルタのバンクを含む畳み込みニューラルネットワーク(CNN)の一般化である。
論文参考訳（メタデータ） (2020-08-04T18:57:36Z)
Convolutional Kernel Networks for Graph-Structured Data [37.13712126432493]
我々は,多層グラフカーネルのファミリーを導入し,グラフ畳み込みニューラルネットワークとカーネルメソッドの新たなリンクを確立する。提案手法は,グラフをカーネル特徴写像の列として表現することにより,畳み込みカーネルネットワークをグラフ構造データに一般化する。我々のモデルは、大規模データに対してエンドツーエンドでトレーニングすることもでき、新しいタイプのグラフ畳み込みニューラルネットワークをもたらす。
論文参考訳（メタデータ） (2020-03-11T09:44:03Z)
Graphs, Convolutions, and Neural Networks: From Graph Filters to Graph Neural Networks [183.97265247061847]
我々はグラフ信号処理を活用してグラフニューラルネットワーク(GNN)の表現空間を特徴付ける。 GNNにおけるグラフ畳み込みフィルタの役割について議論し、そのようなフィルタで構築されたアーキテクチャは、置換同値の基本的な性質と位相変化に対する安定性を持つことを示す。また,ロボット群に対するリコメンデータシステムや分散型コントローラの学習におけるGNNの利用について検討した。
論文参考訳（メタデータ） (2020-03-08T13:02:15Z)
Geom-GCN: Geometric Graph Convolutional Networks [15.783571061254847]
本稿では,この2つの弱点を克服するために,グラフニューラルネットワークのための新しい幾何集約手法を提案する。提案したアグリゲーションスキームは置換不変であり、ノード埋め込み、構造近傍、二レベルアグリゲーションという3つのモジュールから構成される。また,このスキームをGeom-GCNと呼ばれるグラフ畳み込みネットワークに実装し,グラフ上でトランスダクティブ学習を行う。
論文参考訳（メタデータ） (2020-02-13T00:03:09Z)
Explain Graph Neural Networks to Understand Weighted Graph Features in Node Classification [15.41200827860072]
本稿では,情報成分と重要なノード特徴を特定するために,新しいグラフ特徴の説明手法を提案する。提案手法は,人間の解釈によってノード分類に使用されるデータパターンを模倣できることを示す。
論文参考訳（メタデータ） (2020-02-02T23:53:21Z)

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。