Fugu-MT 論文翻訳(概要): Towards a Taxonomy of Graph Learning Datasets

論文の概要: Towards a Taxonomy of Graph Learning Datasets

arxiv url: http://arxiv.org/abs/2110.14809v1
Date: Wed, 27 Oct 2021 23:08:01 GMT
ステータス: 処理完了
システム内更新日: 2021-10-29 15:41:20.854834
Title: Towards a Taxonomy of Graph Learning Datasets
Title（参考訳）: グラフ学習データセットの分類に向けて
Authors: Renming Liu, Semih Cant\"urk, Frederik Wenkel, Dylan Sandfelder, Devin Kreuzer, Anna Little, Sarah McGuire, Leslie O'Bray, Michael Perlmutter, Bastian Rieck, Matthew Hirn, Guy Wolf and Ladislav Ramp\'a\v{s}ek
Abstract要約: グラフニューラルネットワーク(GNN)は、基礎となるデータの固有のジオメトリを活用する能力によって、多くの注目を集めている。本稿では,グラフ摂動の集合を慎重に設計することで,グラフベンチマークデータセットを分類する手法を提案する。データ駆動によるグラフデータセットの分類は、重要なデータセット特性の新たな理解を提供する。
参考スコア（独自算出の注目度）: 10.151886932716518
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Graph neural networks (GNNs) have attracted much attention due to their ability to leverage the intrinsic geometries of the underlying data. Although many different types of GNN models have been developed, with many benchmarking procedures to demonstrate the superiority of one GNN model over the others, there is a lack of systematic understanding of the underlying benchmarking datasets, and what aspects of the model are being tested. Here, we provide a principled approach to taxonomize graph benchmarking datasets by carefully designing a collection of graph perturbations to probe the essential data characteristics that GNN models leverage to perform predictions. Our data-driven taxonomization of graph datasets provides a new understanding of critical dataset characteristics that will enable better model evaluation and the development of more specialized GNN models.
Abstract（参考訳）: グラフニューラルネットワーク(gnns)は、基盤となるデータの固有ジオメトリを活用できるため、多くの注目を集めている。多くの異なるタイプのGNNモデルが開発され、GNNモデルが他のモデルよりも優れていることを示す多くのベンチマーク手順が開発されているが、基盤となるベンチマークデータセットの体系的な理解が欠如しており、そのモデルのどの側面がテストされているかが分かっていない。本稿では,グラフの摂動の集合を慎重に設計し,GNNモデルが予測に利用する重要なデータ特性を探索することにより,グラフベンチマークデータセットを分類する手法を提案する。グラフデータセットのデータ駆動分類は、より優れたモデル評価とより専門的なGNNモデルの開発を可能にする重要なデータセット特性の新たな理解を提供する。

関連論文リスト

Learning From Graph-Structured Data: Addressing Design Issues and Exploring Practical Applications in Graph Representation Learning [2.492884361833709]
グラフ表現学習とグラフニューラルネットワーク(GNN)の最近の進歩を概観する。グラフ構造化データを扱うように設計されたGNNは、複雑な関係情報から洞察と予測を引き出すのに長けている。我々の研究は、GNNの能力を掘り下げ、その基礎設計と現実の課題に対処するための応用について調べている。
論文参考訳（メタデータ） (2024-11-09T19:10:33Z)
A Metadata-Driven Approach to Understand Graph Neural Networks [17.240017543449735]
グラフデータ特性に対するGNNの感度を解析するための$textitmetadata-driven$アプローチを提案する。よりバランスの取れた次数分布を持つデータセットは,ノード表現の線形分離性の向上を図っている。
論文参考訳（メタデータ） (2023-10-30T04:25:02Z)
GNNEvaluator: Evaluating GNN Performance On Unseen Graphs Without Labels [81.93520935479984]
本稿では,ラベル付きおよび観測されたグラフに基づいて学習した特定のGNNモデルの性能を評価することを目的とした,新しい問題であるGNNモデル評価について検討する。本稿では,(1) DiscGraph セット構築と(2) GNNEvaluator トレーニングと推論を含む2段階の GNN モデル評価フレームワークを提案する。 DiscGraphセットからの効果的なトレーニング監督の下で、GNNEvaluatorは、評価対象であるGNNモデルのノード分類精度を正確に推定することを学ぶ。
論文参考訳（メタデータ） (2023-10-23T05:51:59Z)
Global Minima, Recoverability Thresholds, and Higher-Order Structure in GNNS [0.0]
ランダムグラフ理論の観点から,グラフニューラルネットワーク(GNN)アーキテクチャの性能を解析する。合成データにおける特定の高次構造と実データにおける経験的構造の混合が、GNNの性能に劇的な影響を及ぼすことを示す。
論文参考訳（メタデータ） (2023-10-11T17:16:33Z)
DEGREE: Decomposition Based Explanation For Graph Neural Networks [55.38873296761104]
我々は,GNN予測に対する忠実な説明を提供するためにDGREEを提案する。 GNNの情報生成と集約機構を分解することにより、DECREEは入力グラフの特定のコンポーネントのコントリビューションを最終的な予測に追跡することができる。また,従来の手法で見過ごされるグラフノード間の複雑な相互作用を明らかにするために,サブグラフレベルの解釈アルゴリズムを設計する。
論文参考訳（メタデータ） (2023-05-22T10:29:52Z)
Analysis of different temporal graph neural network configurations on dynamic graphs [0.0]
本研究の目的は,動的グラフ上での空間的時間的依存構造学習の質的解析を行うことにより,文献のギャップを解消することである。優れたTGNの異なる変種について広範囲にわたるアブレーション研究を行い、その性能に寄与する主要な要因を同定する。これらの目的を達成することで、動的グラフ解析のためのTGNの設計と最適化に関する貴重な知見を提供する。
論文参考訳（メタデータ） (2023-05-02T00:07:33Z)
MentorGNN: Deriving Curriculum for Pre-Training GNNs [61.97574489259085]
本稿では,グラフ間のGNNの事前学習プロセスの監視を目的とした,MentorGNNというエンドツーエンドモデルを提案する。我々は、事前学習したGNNの一般化誤差に自然かつ解釈可能な上限を導出することにより、関係データ(グラフ)に対するドメイン適応の問題に新たな光を当てた。
論文参考訳（メタデータ） (2022-08-21T15:12:08Z)
Taxonomy of Benchmarks in Graph Representation Learning [14.358071994798964]
グラフニューラルネットワーク(GNN)は、その固有の幾何学を考慮し、ニューラルネットワークの成功をグラフ構造化データに拡張する。現在、グラフ表現学習ベンチマークによって、与えられたモデルのどの側面が調査されているかはよく分かっていない。本稿では,グラフの摂動によってGNNの性能がどれだけ変化するかに基づいて,$textitsensitivity profile$に従ってベンチマークデータセットを分類する手法を開発した。
論文参考訳（メタデータ） (2022-06-15T18:01:10Z)
EvenNet: Ignoring Odd-Hop Neighbors Improves Robustness of Graph Neural Networks [51.42338058718487]
グラフニューラルネットワーク(GNN)は、グラフ機械学習における有望なパフォーマンスについて、広範な研究の注目を集めている。 GCNやGPRGNNのような既存のアプローチは、テストグラフ上のホモフィリな変化に直面しても堅牢ではない。偶数多項式グラフフィルタに対応するスペクトルGNNであるEvenNetを提案する。
論文参考訳（メタデータ） (2022-05-27T10:48:14Z)
GraphSVX: Shapley Value Explanations for Graph Neural Networks [81.83769974301995]
グラフニューラルネットワーク(GNN)は、幾何データに基づく様々な学習タスクにおいて大きな性能を発揮する。本稿では,既存のGNN解説者の多くが満足する統一フレームワークを提案する。 GNN用に特別に設計されたポストホックローカルモデル非依存説明法であるGraphSVXを紹介します。
論文参考訳（メタデータ） (2021-04-18T10:40:37Z)
A Unified View on Graph Neural Networks as Graph Signal Denoising [49.980783124401555]
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の学習表現において顕著に普及している。本研究では,代表的GNNモデル群における集約過程を,グラフ記述問題の解法とみなすことができることを数学的に確立する。 UGNNから派生した新しいGNNモデルADA-UGNNをインスタンス化し、ノード間の適応的滑らかさでグラフを処理する。
論文参考訳（メタデータ） (2020-10-05T04:57:18Z)

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。