Fugu-MT 論文翻訳(概要): Asymmetric Graph Representation Learning

論文の概要: Asymmetric Graph Representation Learning

arxiv url: http://arxiv.org/abs/2110.07436v1
Date: Thu, 14 Oct 2021 15:03:18 GMT
ステータス: 処理完了
システム内更新日: 2021-10-15 14:43:31.346853
Title: Asymmetric Graph Representation Learning
Title（参考訳）: 非対称グラフ表現学習
Authors: Zhuo Tan, Bin Liu and Guosheng Yin
Abstract要約: 情報フローが非対称であり、有向グラフにつながる膨大なアプリケーション。有向エッジは、情報はスタートノードからエンドノードまでしか転送できないが、後方には転送できないことを示す。このような一方的な情報伝達を取り入れたグラフ解析のための,シンプルかつ極めて効果的なフレームワークを提案する。
参考スコア（独自算出の注目度）: 13.195785825237621
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Despite the enormous success of graph neural networks (GNNs), most existing GNNs can only be applicable to undirected graphs where relationships among connected nodes are two-way symmetric (i.e., information can be passed back and forth). However, there is a vast amount of applications where the information flow is asymmetric, leading to directed graphs where information can only be passed in one direction. For example, a directed edge indicates that the information can only be conveyed forwardly from the start node to the end node, but not backwardly. To accommodate such an asymmetric structure of directed graphs within the framework of GNNs, we propose a simple yet remarkably effective framework for directed graph analysis to incorporate such one-way information passing. We define an incoming embedding and an outgoing embedding for each node to model its sending and receiving features respectively. We further develop two steps in our directed GNN model with the first one to aggregate/update the incoming features of nodes and the second one to aggregate/update the outgoing features. By imposing the two roles for each node, the likelihood of a directed edge can be calculated based on the outgoing embedding of the start node and the incoming embedding of the end node. The log-likelihood of all edges plays a natural role of regularization for the proposed model, which can alleviate the over-smoothing problem of the deep GNNs. Extensive experiments on multiple real-world directed graphs demonstrate outstanding performances of the proposed model in both node-level and graph-level tasks.
Abstract（参考訳）: グラフニューラルネットワーク(GNN)の巨大な成功にもかかわらず、既存のGNNは、接続されたノード間の関係が双方向対称である(つまり、情報を前後に渡すことができる)非指向グラフにのみ適用できる。しかし、情報フローが非対称であるようなアプリケーションでは、情報が一方向にしか渡れないような有向グラフが多数存在する。例えば、有向エッジは、情報は開始ノードから終了ノードへのみ前方に伝達できるが、後方に伝達できないことを示す。このような有向グラフの非対称構造をgnnの枠組み内に収容するために,有向グラフ解析のための単純かつ極めて効果的なフレームワークを提案する。送信機能と受信機能をそれぞれモデル化するために,各ノードに対して入出力埋め込みを定義する。我々は、まず、ノードの入ってくる特徴を集約・更新する第1のステップと、出力する特徴を集約・更新する第2のステップをさらに発展させます。各ノードに2つのロールを設定することにより、開始ノードの出射埋め込みと終了ノードの入射埋め込みとに基づいて、有向エッジの可能性を算出することができる。全てのエッジのログ類似性は、提案モデルの正規化の自然な役割を担い、深部GNNの過度に平滑な問題を緩和することができる。複数の実世界の有向グラフに対する大規模な実験は、ノードレベルとグラフレベルの両方のタスクにおいて提案されたモデルの優れた性能を示す。

関連論文リスト

Improving Graph Neural Networks by Learning Continuous Edge Directions [0.0]
グラフニューラルネットワーク(GNN)は、従来、非指向グラフ上の拡散に似たメッセージパッシング機構を採用している。私たちのキーとなる洞察は、ファジィエッジ方向をグラフのエッジに割り当てることです。ファジィエッジを持つグラフを学習するためのフレームワークとして,Continuous Edge Direction (CoED) GNNを提案する。
論文参考訳（メタデータ） (2024-10-18T01:34:35Z)
SF-GNN: Self Filter for Message Lossless Propagation in Deep Graph Neural Network [38.669815079957566]
グラフニューラルネットワーク(GNN)は,グラフの伝播と集約によるグラフ構造情報の符号化を主目的とする。等質グラフ、異質グラフ、知識グラフのようなより複雑なグラフなど、複数の種類のグラフの表現学習において優れた性能を発揮した。深部GNNの性能劣化現象に対して,新しい視点を提案する。
論文参考訳（メタデータ） (2024-07-03T02:40:39Z)
Saliency-Aware Regularized Graph Neural Network [39.82009838086267]
グラフ分類のためのSAR-GNN(Saliency-Aware Regularized Graph Neural Network)を提案する。まず,コンパクトなグラフ表現とノード特徴とのセマンティックな類似性を測定することで,グローバルノードの正当性を推定する。そして、学習した塩分濃度分布を利用して、背骨の近傍集合を規則化する。
論文参考訳（メタデータ） (2024-01-01T13:44:16Z)
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)
NodeFormer: A Scalable Graph Structure Learning Transformer for Node Classification [70.51126383984555]
本稿では,任意のノード間のノード信号を効率的に伝搬する全ペアメッセージパッシング方式を提案する。効率的な計算は、カーナライズされたGumbel-Softmax演算子によって実現される。グラフ上のノード分類を含む様々なタスクにおいて,本手法の有望な有効性を示す実験を行った。
論文参考訳（メタデータ） (2023-06-14T09:21:15Z)
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)
Feature Correlation Aggregation: on the Path to Better Graph Neural Networks [37.79964911718766]
グラフニューラルネットワーク(GNN)が導入される以前、不規則なデータ、特にグラフのモデリングと解析は、ディープラーニングのアキレスのヒールであると考えられていた。本稿では,GNNのコア操作に対して,極めて単純かつ無作為な修正を施した中央ノード置換変分関数を提案する。モデルの具体的な性能向上は、モデルがより少ないパラメータを使用しながら、有意なマージンで過去の最先端結果を上回った場合に観察される。
論文参考訳（メタデータ） (2021-09-20T05:04:26Z)
Explicit Pairwise Factorized Graph Neural Network for Semi-Supervised Node Classification [59.06717774425588]
本稿では,グラフ全体を部分的に観測されたマルコフ確率場としてモデル化するEPFGNN(Explicit Pairwise Factorized Graph Neural Network)を提案する。出力-出力関係をモデル化するための明示的なペアワイズ要素を含み、入力-出力関係をモデル化するためにGNNバックボーンを使用する。本研究では,グラフ上での半教師付きノード分類の性能を効果的に向上できることを示す。
論文参考訳（メタデータ） (2021-07-27T19:47:53Z)
Multi-grained Semantics-aware Graph Neural Networks [13.720544777078642]
グラフニューラルネットワーク(GNN)は、グラフの表現学習において強力な技術である。本研究では,ノードとグラフ表現を対話的に学習する統合モデルAdamGNNを提案する。 14の実世界のグラフデータセットに対する実験により、AdamGNNはノードとグラフの両方のタスクにおいて17の競合するモデルを大幅に上回っていることが示された。
論文参考訳（メタデータ） (2020-10-01T07:52:06Z)
CatGCN: Graph Convolutional Networks with Categorical Node Features [99.555850712725]
CatGCNはグラフ学習に適したノード機能である。エンドツーエンドでCatGCNを訓練し、半教師付きノード分類でそれを実証する。
論文参考訳（メタデータ） (2020-09-11T09:25:17Z)
Distance Encoding: Design Provably More Powerful Neural Networks for Graph Representation Learning [63.97983530843762]
グラフニューラルネットワーク(GNN)はグラフ表現学習において大きな成功を収めている。 GNNは、実際には非常に異なるグラフ部分構造に対して同一の表現を生成する。より強力なGNNは、最近高階試験を模倣して提案され、基礎となるグラフ構造を疎結合にできないため、非効率である。本稿では,グラフ表現学習の新たなクラスとして距離分解(DE)を提案する。
論文参考訳（メタデータ） (2020-08-31T23:15:40Z)

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。