論文の概要: Signature-Graph Networks
- arxiv url: http://arxiv.org/abs/2110.11551v1
- Date: Fri, 22 Oct 2021 01:44:14 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-25 14:31:41.295217
- Title: Signature-Graph Networks
- Title(参考訳): 署名グラフネットワーク
- Authors: Ali Hamdi, Flora Salim, Du Yong Kim, and Xiaojun Chang
- Abstract要約: Signature-Graph Neural Networks (SGN)は、畳み込みニューラルネットワーク(CNN)の特徴表現を強化する潜在グローバル構造を学習する
SGNは、CNN特徴写像に基づいて、各画像に対して独自の無向グラフを構築する。
SGNは、画像分類精度99.65%のASIRRAで、99.91%のMNISTで、98.55%のFashion-MNISTで、96.18%のCIFAR-10で、84.71%のCIFAR-100で、94.36%のSTL10で、95.86%のSVHNデータセットで、既存のグラフ畳み込みネットワーク、生成敵ネットワーク、および自動エンコーダの手法より優れている。
- 参考スコア(独自算出の注目度): 35.817256955261094
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: We propose a novel approach for visual representation learning called
Signature-Graph Neural Networks (SGN). SGN learns latent global structures that
augment the feature representation of Convolutional Neural Networks (CNN). SGN
constructs unique undirected graphs for each image based on the CNN feature
maps. The feature maps are partitioned into a set of equal and non-overlapping
patches. The graph nodes are located on high-contrast sharp convolution
features with the local maxima or minima in these patches. The node embeddings
are aggregated through novel Signature-Graphs based on horizontal and vertical
edge connections. The representation vectors are then computed based on the
spectral Laplacian eigenvalues of the graphs. SGN outperforms existing methods
of recent graph convolutional networks, generative adversarial networks, and
auto-encoders with image classification accuracy of 99.65% on ASIRRA, 99.91% on
MNIST, 98.55% on Fashion-MNIST, 96.18% on CIFAR-10, 84.71% on CIFAR-100, 94.36%
on STL10, and 95.86% on SVHN datasets. We also introduce a novel implementation
of the state-of-the-art multi-head attention (MHA) on top of the proposed SGN.
Adding SGN to MHA improved the image classification accuracy from 86.92% to
94.36% on the STL10 dataset
- Abstract(参考訳): 本稿では,SGN(Signature-Graph Neural Networks)と呼ばれる視覚表現学習手法を提案する。
SGNは、畳み込みニューラルネットワーク(CNN)の特徴表現を強化する潜在グローバル構造を学ぶ。
SGNは、CNN特徴写像に基づいて、各画像に対して独自の無向グラフを構築する。
特徴マップは、等しいパッチと非重複パッチのセットに分割される。
グラフノードは、これらのパッチの局所的な最大値または最小値を持つ高コントラストの鋭い畳み込み特性上に位置する。
ノード埋め込みは、水平および垂直のエッジ接続に基づく新しいSignature-Graphを通じて集約される。
表現ベクトルはグラフのスペクトルラプラシアン固有値に基づいて計算される。
SGNは、最近のグラフ畳み込みネットワーク、生成敵ネットワーク、および画像分類精度99.65%のオートエンコーダ、MNISTで99.91%、Fashion-MNISTで98.55%、CIFAR-10で96.18%、CIFAR-100で84.71%、STL10で94.36%、SVHNデータセットで95.86%である。
また,提案したSGNの上に,最先端マルチヘッドアテンション(MHA)の新たな実装を導入する。
MHAにSGNを追加することで、画像分類の精度は86.92%から94.36%に向上した。
関連論文リスト
- GRAPES: Learning to Sample Graphs for Scalable Graph Neural Networks [2.4175455407547015]
グラフニューラルネットワークは、隣人からの情報を集約することでノードを表現することを学ぶ。
いくつかの既存手法では、ノードの小さなサブセットをサンプリングし、GNNをもっと大きなグラフにスケールすることで、この問題に対処している。
本稿では,GNNのトレーニングに不可欠なノードの集合を識別する適応サンプリング手法であるGRAPESを紹介する。
論文 参考訳(メタデータ) (2023-10-05T09:08:47Z) - T-GAE: Transferable Graph Autoencoder for Network Alignment [79.89704126746204]
T-GAEはグラフオートエンコーダフレームワークで、GNNの転送性と安定性を活用して、再トレーニングなしに効率的なネットワークアライメントを実現する。
実験の結果、T-GAEは最先端の最適化手法と最高のGNN手法を最大38.7%、50.8%で上回っていることがわかった。
論文 参考訳(メタデータ) (2023-10-05T02:58:29Z) - 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) - Graph Classification via Discriminative Edge Feature Learning [17.86550507456848]
スペクトルグラフ畳み込みニューラルネットワーク(GCNN)は、グラフ分類タスクにおいて奨励的な結果を生み出している。
我々はGCNNの2つのグラフ畳み込み層間のエッジ特徴スキームとアドオン層を設計する。
提案手法は,3つのグラフデータセットの最先端グラフ分類法より優れている。
論文 参考訳(メタデータ) (2022-10-05T07:30:21Z) - A Robust Stacking Framework for Training Deep Graph Models with
Multifaceted Node Features [61.92791503017341]
数値ノード特徴とグラフ構造を入力とするグラフニューラルネットワーク(GNN)は,グラフデータを用いた各種教師付き学習タスクにおいて,優れた性能を示した。
IID(non-graph)データをGNNに簡単に組み込むことはできない。
本稿では、グラフ認識の伝播をIDデータに意図した任意のモデルで融合するロバストな積み重ねフレームワークを提案する。
論文 参考訳(メタデータ) (2022-06-16T22:46:33Z) - Incorporating Heterophily into Graph Neural Networks for Graph Classification [6.709862924279403]
グラフニューラルネットワーク(GNN)は、しばしばグラフ分類において強いホモフィリを仮定し、ヘテロフィリを考えることは滅多にない。
We developed a novel GNN architecture called IHGNN (short for Incorporated Heterophily into Graph Neural Networks)
我々は、様々なグラフデータセット上でIHGNNを実証的に検証し、グラフ分類のための最先端のGNNよりも優れていることを示す。
論文 参考訳(メタデータ) (2022-03-15T06:48:35Z) - Graph Attention Networks with Positional Embeddings [7.552100672006174]
グラフニューラルネットワーク(GNN)は、ノード分類タスクにおける芸術的パフォーマンスの現在の状態を提供するディープラーニング手法である。
本論文では,GATを位置埋め込みで強化するフレームワークであるG Graph Attentional Networks with Positional Embeddings(GAT-POS)を提案する。
GAT-POSは、強いGNNベースラインや、非ホモフィルグラフ上の最近の構造埋め込み強化GNNと比較して著しく改善されている。
論文 参考訳(メタデータ) (2021-05-09T22:13:46Z) - Higher-Order Attribute-Enhancing Heterogeneous Graph Neural Networks [67.25782890241496]
異種ネットワーク表現学習のための高次属性強化グラフニューラルネットワーク(HAEGNN)を提案する。
HAEGNNは、リッチで異質なセマンティクスのためのメタパスとメタグラフを同時に組み込む。
ノード分類、ノードクラスタリング、可視化における最先端の手法よりも優れたパフォーマンスを示す。
論文 参考訳(メタデータ) (2021-04-16T04:56:38Z) - Scalable Graph Neural Networks for Heterogeneous Graphs [12.44278942365518]
グラフニューラルネットワーク(GNN)は、グラフ構造化データを学習するためのパラメトリックモデルの一般的なクラスである。
最近の研究は、GNNが主に機能をスムースにするためにグラフを使用しており、ベンチマークタスクで競合する結果を示していると主張している。
本研究では、これらの結果が異種グラフに拡張可能かどうかを問うとともに、異なるエンティティ間の複数のタイプの関係を符号化する。
論文 参考訳(メタデータ) (2020-11-19T06:03:35Z) - 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) - 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。