論文の概要: Understanding Pooling in Graph Neural Networks

• arxiv url: http://arxiv.org/abs/2110.05292v1
• Date: Mon, 11 Oct 2021 14:06:09 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-12 15:38:29.791128
• Title: Understanding Pooling in Graph Neural Networks
• Title（参考訳）: グラフニューラルネットワークにおけるプールの理解
• Authors: Daniele Grattarola, Daniele Zambon, Filippo Maria Bianchi, Cesare Alippi
• Abstract要約: 本稿では,選択,縮小,接続という3つの主要な操作に基づくグラフプーリングの形式的特徴付けを提案する。 本稿では, プール操作者の分類を導入し, 最近の文献で提案されている30以上のプール手法を分類する。 本研究では,プール作業者のパフォーマンスを評価するための基準を提案し,様々なタスクにおける分類学の異なるクラスの振る舞いを調査・対比するために使用する。
• 参考スコア（独自算出の注目度）: 23.36835783646858
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Inspired by the conventional pooling layers in convolutional neural networks, many recent works in the field of graph machine learning have introduced pooling operators to reduce the size of graphs. The great variety in the literature stems from the many possible strategies for coarsening a graph, which may depend on different assumptions on the graph structure or the specific downstream task. In this paper we propose a formal characterization of graph pooling based on three main operations, called selection, reduction, and connection, with the goal of unifying the literature under a common framework. Following this formalization, we introduce a taxonomy of pooling operators and categorize more than thirty pooling methods proposed in recent literature. We propose criteria to evaluate the performance of a pooling operator and use them to investigate and contrast the behavior of different classes of the taxonomy on a variety of tasks.
• Abstract（参考訳）: 畳み込みニューラルネットワークの従来のプール層に触発されて、グラフ機械学習の分野における最近の多くの研究は、グラフのサイズを減らすためにプール演算子を導入した。 文献における大きな多様性は、グラフ構造や特定の下流タスクに対する異なる仮定に依存するかもしれないグラフを粗くするための多くの戦略に由来する。 本稿では,3つの主要な操作(選択,縮小,接続)に基づくグラフプーリングの形式的特徴付けを,共通の枠組みで文献を統一することを目的として提案する。 この形式化に続いて、プール演算子の分類を導入し、最近の文献で提案されている30以上のプールメソッドを分類する。 プーリングオペレータの性能を評価するための基準を提案し,様々なタスクにおける分類学の異なるクラスの行動を調査し,対比するために使用する。

関連論文リスト

• 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)
• Graph Pooling for Graph Neural Networks: Progress, Challenges, and Opportunities [128.55790219377315]
  グラフニューラルネットワークは多くのグラフレベルのタスクの主要なアーキテクチャとして登場した。 グラフプーリングは、グラフ全体の全体的グラフレベル表現を得るためには不可欠である。
  論文  参考訳（メタデータ） (2022-04-15T04:02:06Z)
• Temporal Graph Network Embedding with Causal Anonymous Walks Representations [54.05212871508062]
  本稿では,時間グラフネットワークに基づく動的ネットワーク表現学習のための新しいアプローチを提案する。 評価のために、時間的ネットワーク埋め込みの評価のためのベンチマークパイプラインを提供する。 欧州の大手銀行が提供した実世界のダウンストリームグラフ機械学習タスクにおいて、我々のモデルの適用性と優れた性能を示す。
  論文  参考訳（メタデータ） (2021-08-19T15:39:52Z)
• 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)
• 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)
• Multi-view adaptive graph convolutions for graph classification [20.10169385129154]
  グラフベースニューラルネットワークのための新しいマルチビュー手法を提案する。 レイヤは、グラフ分類のためのエンドツーエンドのグラフニューラルネットワークアーキテクチャで使用される。
  論文  参考訳（メタデータ） (2020-07-24T11:14:24Z)
• Second-Order Pooling for Graph Neural Networks [62.13156203025818]
  グラフプーリングとして2次プールを提案するが、これは上記の課題を自然に解決する。 グラフニューラルネットワークによる2次プールの直接利用は、実用的な問題を引き起こすことを示す。 本稿では,2次プールに基づく2つの新しいグローバルグラフプーリング手法,すなわちバイリニアマッピングと2次プールを提案する。
  論文  参考訳（メタデータ） (2020-07-20T20:52:36Z)
• GCC: Graph Contrastive Coding for Graph Neural Network Pre-Training [62.73470368851127]
  グラフ表現学習は現実世界の問題に対処する強力な手法として登場した。 自己教師付きグラフニューラルネットワーク事前トレーニングフレームワークであるGraph Contrastive Codingを設計する。 3つのグラフ学習タスクと10のグラフデータセットについて実験を行った。
  論文  参考訳（メタデータ） (2020-06-17T16:18:35Z)
• SimPool: Towards Topology Based Graph Pooling with Structural Similarity Features [0.0]
  本稿では,2つの主要な寄与について提案する。1つ目は,隣接行列に基づく構造的類似性を計算した差分モジュールである。 2つ目の主な貢献は、これらの機能をDiffPool arXiv:1806.08804の再検討されたプール層と統合し、SimPoolと呼ばれるプーリング層を提案することである。 実験の結果、エンドツーエンドのグラフニューラルネットワークアーキテクチャの一部として、SimPoolは、より局所性に近いノードクラスタ割り当てを計算する。
  論文  参考訳（メタデータ） (2020-06-03T12:51:57Z)

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。