論文の概要: GCN-SE: Attention as Explainability for Node Classification in Dynamic Graphs

• arxiv url: http://arxiv.org/abs/2110.05598v1
• Date: Mon, 11 Oct 2021 20:30:35 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-14 07:07:39.683484
• Title: GCN-SE: Attention as Explainability for Node Classification in Dynamic Graphs
• Title（参考訳）: GCN-SE:動的グラフにおけるノード分類の説明可能性としての注意
• Authors: Yucai Fan, Yuhang Yao, Carlee Joe-Wong
• Abstract要約: グラフ畳み込みネットワーク(GCN)はグラフ表現学習の一般的な手法である。 本稿では,異なる時刻におけるグラフスナップショットに学習可能な注目重みを付加するGCN-SEを提案する。 本稿では,GCN-SEが以前提案したグラフデータセットのノード分類手法より優れていることを示す。
• 参考スコア（独自算出の注目度）: 20.330666300034338
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Graph Convolutional Networks (GCNs) are a popular method from graph representation learning that have proved effective for tasks like node classification tasks. Although typical GCN models focus on classifying nodes within a static graph, several recent variants propose node classification in dynamic graphs whose topologies and node attributes change over time, e.g., social networks with dynamic relationships, or literature citation networks with changing co-authorships. These works, however, do not fully address the challenge of flexibly assigning different importance to snapshots of the graph at different times, which depending on the graph dynamics may have more or less predictive power on the labels. We address this challenge by proposing a new method, GCN-SE, that attaches a set of learnable attention weights to graph snapshots at different times, inspired by Squeeze and Excitation Net (SE-Net). We show that GCN-SE outperforms previously proposed node classification methods on a variety of graph datasets. To verify the effectiveness of the attention weight in determining the importance of different graph snapshots, we adapt perturbation-based methods from the field of explainable machine learning to graphical settings and evaluate the correlation between the attention weights learned by GCN-SE and the importance of different snapshots over time. These experiments demonstrate that GCN-SE can in fact identify different snapshots' predictive power for dynamic node classification.
• Abstract（参考訳）: グラフ畳み込みネットワーク(GCN)は、ノード分類タスクのようなタスクに有効であることが証明されたグラフ表現学習の一般的な方法である。 典型的なgcnモデルは静的グラフ内のノードの分類に焦点を当てているが、最近のいくつかの変種では、トポロジーとノード属性が時間とともに変化する動的グラフのノード分類が提案されている。 しかしながら、これらの研究は、グラフのスナップショットに異なる重要性を異なるタイミングで柔軟に割り当てるという課題に完全には対処していない。 本稿では,Squeeze と Excitation Net (SE-Net) にインスパイアされた,学習可能な注目重みを異なるタイミングでグラフスナップショットに付加する新しい手法 GCN-SE を提案する。 本稿では,GCN-SEが以前提案したグラフデータセットのノード分類手法より優れていることを示す。 異なるグラフスナップショットの重要度決定における注目重みの有効性を検証するため,説明可能な機械学習の分野からグラフィカルな設定への摂動に基づく手法を適用し,GCN-SEで学習した注目重みと異なるスナップショットの重要性との相関性を評価する。 これらの実験は、GCN-SEが動的ノード分類のための異なるスナップショットの予測力を実際に特定できることを実証している。

関連論文リスト

• Self-Attention Empowered Graph Convolutional Network for Structure Learning and Node Embedding [5.164875580197953]
  グラフ構造化データの表現学習では、多くの人気のあるグラフニューラルネットワーク(GNN)が長距離依存をキャプチャできない。 本稿では,自己注意型グラフ畳み込みネットワーク(GCN-SA)と呼ばれる新しいグラフ学習フレームワークを提案する。 提案手法はノードレベルの表現学習において例外的な一般化能力を示す。
  論文  参考訳（メタデータ） (2024-03-06T05:00:31Z)
• Supervised Attention Using Homophily in Graph Neural Networks [26.77596449192451]
  そこで本研究では,クラスラベルを共有するノード間の注目度を高めるための新しい手法を提案する。 提案手法をいくつかのノード分類データセット上で評価し,標準ベースラインモデルよりも高い性能を示す。
  論文  参考訳（メタデータ） (2023-07-11T12:43:23Z)
• Discovering the Representation Bottleneck of Graph Neural Networks from Multi-order Interactions [51.597480162777074]
  グラフニューラルネットワーク(GNN)は、ノード機能を伝搬し、インタラクションを構築するためにメッセージパッシングパラダイムに依存している。 最近の研究は、異なるグラフ学習タスクはノード間の異なる範囲の相互作用を必要とすることを指摘している。 科学領域における2つの共通グラフ構築法、すなわち、emphK-nearest neighbor(KNN)グラフとemphfully-connected(FC)グラフについて検討する。
  論文  参考訳（メタデータ） (2022-05-15T11:38:14Z)
• DyGCN: Dynamic Graph Embedding with Graph Convolutional Network [25.02329024926518]
  動的グラフ畳み込みネットワーク(DyGCN)の効率的な動的グラフ埋め込み手法を提案する。 私たちのモデルは、ノードの埋め込みを時間節約とパフォーマンス保存の方法で更新できます。
  論文  参考訳（メタデータ） (2021-04-07T07:28:44Z)
• Attention-Driven Dynamic Graph Convolutional Network for Multi-Label Image Recognition [53.17837649440601]
  本稿では,各画像の特定のグラフを動的に生成するアテンション駆動型動的グラフ畳み込みネットワーク(ADD-GCN)を提案する。 パブリックなマルチラベルベンチマーク実験により,本手法の有効性が示された。
  論文  参考訳（メタデータ） (2020-12-05T10:10:12Z)
• Sequential Graph Convolutional Network for Active Learning [53.99104862192055]
  逐次グラフ畳み込みネットワーク(GCN)を用いた新しいプールベースアクティブラーニングフレームワークを提案する。 少数のランダムなサンプル画像がシードラベル付き例であるので、グラフのパラメータを学習してラベル付きノードと非ラベル付きノードを区別する。 我々はGCNの特性を利用してラベル付けされたものと十分に異なる未ラベルの例を選択する。
  論文  参考訳（メタデータ） (2020-06-18T00:55:10Z)
• 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)
• Structural Temporal Graph Neural Networks for Anomaly Detection in Dynamic Graphs [54.13919050090926]
  本稿では,動的グラフの異常エッジを検出するために,エンドツーエンドの時間構造グラフニューラルネットワークモデルを提案する。 特に,まずターゲットエッジを中心にした$h$ホップ囲むサブグラフを抽出し,各ノードの役割を識別するノードラベル機能を提案する。 抽出した特徴に基づき,GRU(Gated Recurrent Unit)を用いて,異常検出のための時間的情報を取得する。
  論文  参考訳（メタデータ） (2020-05-15T09:17:08Z)
• K-Core based Temporal Graph Convolutional Network for Dynamic Graphs [19.237377882738063]
  動的グラフのノード表現を学習するために,新しいk-coreベースの時間グラフ畳み込みネットワークであるCTGCNを提案する。 従来の動的グラフ埋め込み法とは対照的に、CTGCNは局所的な連結近接と大域的な構造的類似性の両方を保存できる。 7つの実世界のグラフに対する実験結果から、CTGCNは既存の最先端グラフの埋め込み方法よりもいくつかのタスクで優れていることが示された。
  論文  参考訳（メタデータ） (2020-03-22T14:15:27Z)
• Tensor Graph Convolutional Networks for Multi-relational and Robust Learning [74.05478502080658]
  本稿では,テンソルで表されるグラフの集合に関連するデータから,スケーラブルな半教師付き学習(SSL)を実現するためのテンソルグラフ畳み込みネットワーク(TGCN)を提案する。 提案アーキテクチャは、標準的なGCNと比較して大幅に性能が向上し、最先端の敵攻撃に対処し、タンパク質間相互作用ネットワーク上でのSSL性能が著しく向上する。
  論文  参考訳（メタデータ） (2020-03-15T02:33:21Z)

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。

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。