論文の概要: Training Stable Graph Neural Networks Through Constrained Learning
- arxiv url: http://arxiv.org/abs/2110.03576v1
- Date: Thu, 7 Oct 2021 15:54:42 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-08 20:52:05.794013
- Title: Training Stable Graph Neural Networks Through Constrained Learning
- Title（参考訳）: 拘束学習による安定グラフニューラルネットワークの学習
- Authors: Juan Cervino, Luana Ruiz and Alejandro Ribeiro
- Abstract要約: グラフニューラルネットワーク(GNN)は、ネットワークデータから機能を学ぶためにグラフ畳み込みに依存する。
GNNは、グラフフィルタから受け継いだ特性である、基礎となるグラフの様々な種類の摂動に対して安定である。
本稿では,GNNの安定条件に制約を課すことにより,新たな制約付き学習手法を提案する。
- 参考スコア（独自算出の注目度）: 116.03137405192356
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Graph Neural Networks (GNN) rely on graph convolutions to learn features from
network data. GNNs are stable to different types of perturbations of the
underlying graph, a property that they inherit from graph filters. In this
paper we leverage the stability property of GNNs as a typing point in order to
seek for representations that are stable within a distribution. We propose a
novel constrained learning approach by imposing a constraint on the stability
condition of the GNN within a perturbation of choice. We showcase our framework
in real world data, corroborating that we are able to obtain more stable
representations while not compromising the overall accuracy of the predictor.
- Abstract（参考訳）: グラフニューラルネットワーク(GNN)は、ネットワークデータから機能を学ぶためにグラフ畳み込みに依存する。
gnnは、グラフフィルタから継承する特性である基礎となるグラフの異なるタイプの摂動に対して安定である。
本稿では,GNNの安定性特性をタイピング点として活用し,分布内で安定な表現を求める。
本稿では,gnnの安定条件を選択の摂動内で制約することにより,新しい制約付き学習手法を提案する。
我々は,我々のフレームワークを実世界のデータで紹介し,予測器の全体的な精度を損なうことなく,より安定した表現を得られることを確認した。
関連論文リスト
- On the Trade-Off between Stability and Representational Capacity in
Graph Neural Networks [22.751509906413943]
20以上のソリューションを統合する汎用GNNフレームワークであるEdgeNetの安定性について検討する。
異なるEdgeNetカテゴリの安定性への影響を調べた結果,パラメータ空間における自由度が低いGNNの方が,表現能力の低いGNNの方がより安定であることが判明した。
論文 参考訳（メタデータ） (2023-12-04T22:07:17Z) - Stability of Aggregation Graph Neural Networks [153.70485149740608]
グラフの摂動を考慮したアグリゲーショングラフニューラルネットワーク(Agg-GNN)の安定性特性について検討した。
安定性境界は各ノードに作用するCNNの第1層におけるフィルタの特性によって定義される。
また、Agg-GNNでは、写像演算子の選択性は、CNNステージの第1層においてのみフィルタの特性に結びついていると結論付けている。
論文 参考訳（メタデータ） (2022-07-08T03:54:52Z) - Stable Prediction on Graphs with Agnostic Distribution Shift [105.12836224149633]
グラフニューラルネットワーク(GNN)は、ランダムにトレーニングとテストデータを分離した様々なグラフタスクに有効であることが示されている。
しかし、実際のアプリケーションでは、トレーニンググラフの分布はテストグラフとは異なるかもしれない。
本稿では,グラフ上での局所的およびグローバル的に安定な学習と予測を可能にする,GNNのための新しい安定な予測フレームワークを提案する。
論文 参考訳（メタデータ） (2021-10-08T02:45:47Z) - Stability of Graph Convolutional Neural Networks to Stochastic
Perturbations [122.12962842842349]
グラフ畳み込みニューラルネットワーク(GCNN)は、ネットワークデータから表現を学ぶ非線形処理ツールである。
現在の分析では決定論的摂動を考慮しているが、トポロジカルな変化がランダムである場合、関連する洞察を与えられない。
本稿では,リンク損失に起因する乱れグラフ摂動に対するGCNNの安定性について検討する。
論文 参考訳（メタデータ） (2021-06-19T16:25:28Z) - Implicit Graph Neural Networks [46.0589136729616]
Indicit Graph Neural Networks (IGNN) と呼ばれるグラフ学習フレームワークを提案する。
IGNNは一貫して長距離依存を捉え、最先端のGNNモデルより優れている。
論文 参考訳（メタデータ） (2020-09-14T06:04:55Z) - Stochastic Graph Neural Networks [123.39024384275054]
グラフニューラルネットワーク(GNN)は、分散エージェント調整、制御、計画に応用したグラフデータの非線形表現をモデル化する。
現在のGNNアーキテクチャは理想的なシナリオを前提として,環境やヒューマンファクタ,あるいは外部攻撃によるリンク変動を無視している。
これらの状況において、GNNは、トポロジカルなランダム性を考慮していない場合、その分散タスクに対処することができない。
論文 参考訳（メタデータ） (2020-06-04T08:00:00Z) - 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)
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。