論文の概要: CCGG: A Deep Autoregressive Model for Class-Conditional Graph Generation
- arxiv url: http://arxiv.org/abs/2110.03800v1
- Date: Thu, 7 Oct 2021 21:24:07 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-11 13:55:42.416391
- Title: CCGG: A Deep Autoregressive Model for Class-Conditional Graph Generation
- Title（参考訳）: ccgg:クラス条件グラフ生成のための深い自己回帰モデル
- Authors: Matin Yousefabadi, Yassaman Ommi, Faezeh Faez, Amirmojtaba Sabour,
Mahdieh Soleymani Baghshah, Hamid R. Rabiee
- Abstract要約: 所望の機能を持つグラフを生成するために,クラス条件付きグラフ生成器(CCGG)を導入する。
CCGGは、様々なデータセット上で既存の条件付きグラフ生成方法より優れている。
また、分散ベースの評価指標の観点から、生成したグラフの品質も維持する。
- 参考スコア（独自算出の注目度）: 7.37333913697359
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Graph data structures are fundamental for studying connected entities. With
an increase in the number of applications where data is represented as graphs,
the problem of graph generation has recently become a hot topic in many signal
processing areas. However, despite its significance, conditional graph
generation that creates graphs with desired features is relatively less
explored in previous studies. This paper addresses the problem of
class-conditional graph generation that uses class labels as generation
constraints by introducing the Class Conditioned Graph Generator (CCGG). We
built CCGG by adding the class information as an additional input to a graph
generator model and including a classification loss in its total loss along
with a gradient passing trick. Our experiments show that CCGG outperforms
existing conditional graph generation methods on various datasets. It also
manages to maintain the quality of the generated graphs in terms of
distribution-based evaluation metrics.
- Abstract（参考訳）: グラフデータ構造は、連結エンティティを研究するための基礎となる。
グラフとして表現されるアプリケーション数の増加に伴い,近年,多くの信号処理領域において,グラフ生成の問題が話題となっている。
しかし、その重要性にもかかわらず、所望の特徴を持つグラフを生成する条件付きグラフ生成は、以前の研究では比較的研究されていない。
本稿では,クラス条件付きグラフ生成器(CCGG)を導入して,クラスラベルを生成制約とするクラス条件グラフ生成の問題に対処する。
私たちは、クラス情報をグラフ生成モデルに追加入力として追加し、グラデーションパストリックとともに合計損失の分類損失を含むccggを構築した。
実験により,ccggは既存の条件付きグラフ生成手法を各種データセットで上回ることを示した。
また、分散ベースの評価指標の観点から、生成したグラフの品質も維持する。
関連論文リスト
- Data Augmentation in Graph Neural Networks: The Role of Generated Synthetic Graphs [0.24999074238880487]
本研究では,データ拡張のための生成グラフについて検討する。
生成したグラフを実グラフと組み合わせることのパフォーマンスを比較し、生成したグラフの量が異なることがグラフ分類タスクに与える影響を調べる。
その結果,グラフデータの拡張,一貫性のあるラベルの確保,分類性能の向上など,新たなアプローチが導入された。
論文 参考訳（メタデータ） (2024-07-20T06:05:26Z) - Structure-free Graph Condensation: From Large-scale Graphs to Condensed
Graph-free Data [91.27527985415007]
既存のグラフ凝縮法は、凝縮グラフ内のノードと構造の合同最適化に依存している。
我々は、大規模グラフを小さなグラフノード集合に蒸留する、SFGCと呼ばれる新しい構造自由グラフ凝縮パラダイムを提唱する。
論文 参考訳（メタデータ） (2023-06-05T07:53:52Z) - Semi-Supervised Hierarchical Graph Classification [54.25165160435073]
ノードがグラフのインスタンスである階層グラフにおけるノード分類問題について検討する。
本稿では階層グラフ相互情報(HGMI)を提案し,理論的保証をもってHGMIを計算する方法を提案する。
本稿では,この階層グラフモデリングとSEAL-CI法がテキストおよびソーシャルネットワークデータに与える影響を実証する。
論文 参考訳（メタデータ） (2022-06-11T04:05:29Z) - GraphGen-Redux: a Fast and Lightweight Recurrent Model for labeled Graph
Generation [13.956691231452336]
ラベル付きグラフ生成のための新しいグラフ前処理手法を提案する。
新たなグラフ前処理手法を導入することで,ノードとエッジのラベル付け情報を共同で処理することができる。
GraphGen-Reduxと呼ばれる対応するモデルは、幅広いデータセットにおけるGraphGenの生成パフォーマンスを改善します。
論文 参考訳（メタデータ） (2021-07-18T09:26:10Z) - A Robust and Generalized Framework for Adversarial Graph Embedding [73.37228022428663]
本稿では,AGE という逆グラフ埋め込みのための頑健なフレームワークを提案する。
AGEは、暗黙の分布から強化された負のサンプルとして偽の隣接ノードを生成する。
本フレームワークでは,3種類のグラフデータを扱う3つのモデルを提案する。
論文 参考訳（メタデータ） (2021-05-22T07:05:48Z) - Dirichlet Graph Variational Autoencoder [65.94744123832338]
本稿では,グラフクラスタメンバシップを潜在因子とするDGVAE(Dirichlet Graph Variational Autoencoder)を提案する。
バランスグラフカットにおける低パス特性により、入力グラフをクラスタメンバシップにエンコードする、Heattsと呼ばれるGNNの新しい変種を提案する。
論文 参考訳（メタデータ） (2020-10-09T07:35:26Z) - Certified Robustness of Graph Classification against Topology Attack
with Randomized Smoothing [22.16111584447466]
グラフベースの機械学習モデルは、非i.dなグラフデータの性質のため、敵対的な摂動に弱い。
堅牢性を保証するスムーズなグラフ分類モデルを構築した。
グラフ畳み込みネットワーク(GCN)に基づくマルチクラスグラフ分類モデルにおいて,提案手法の有効性を評価する。
論文 参考訳（メタデータ） (2020-09-12T22:18:54Z) - Unsupervised Graph Embedding via Adaptive Graph Learning [85.28555417981063]
グラフオートエンコーダ(GAE)は、グラフ埋め込みのための表現学習において強力なツールである。
本稿では,2つの新しい教師なしグラフ埋め込み法,適応グラフ学習(BAGE)による教師なしグラフ埋め込み,変分適応グラフ学習(VBAGE)による教師なしグラフ埋め込みを提案する。
いくつかのデータセットに関する実験的研究により、我々の手法がノードクラスタリング、ノード分類、グラフ可視化タスクにおいて、ベースラインよりも優れていることが実証された。
論文 参考訳（メタデータ） (2020-03-10T02:33:14Z) - Adaptive Graph Auto-Encoder for General Data Clustering [90.8576971748142]
グラフベースのクラスタリングは、クラスタリング領域において重要な役割を果たす。
グラフ畳み込みニューラルネットワークに関する最近の研究は、グラフ型データにおいて驚くべき成功を収めている。
本稿では,グラフの生成的視点に応じて適応的にグラフを構成する汎用データクラスタリングのためのグラフ自動エンコーダを提案する。
論文 参考訳（メタデータ） (2020-02-20T10:11:28Z)
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。