Fugu-MT 論文翻訳(概要): Deconvolutional Networks on Graph Data

論文の概要: Deconvolutional Networks on Graph Data

arxiv url: http://arxiv.org/abs/2110.15528v1
Date: Fri, 29 Oct 2021 04:02:06 GMT
ステータス: 処理完了
システム内更新日: 2021-11-01 14:44:56.331378
Title: Deconvolutional Networks on Graph Data
Title（参考訳）: グラフデータの非畳み込みネットワーク
Authors: Jia Li, Jiajin Li, Yang Liu, Jianwei Yu, Yueting Li, Hong Cheng
Abstract要約: 本稿では,GDN(Graph Deconvolutional Network)を提案し,スペクトル領域の逆フィルタとウェーブレット領域の非雑音層を組み合わせたGDNの設計を動機付ける。本稿では,グラフ特徴量計算やグラフ構造生成などのタスクにおける提案手法の有効性を示す。
参考スコア（独自算出の注目度）: 33.95030071792298
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In this paper, we consider an inverse problem in graph learning domain -- ``given the graph representations smoothed by Graph Convolutional Network (GCN), how can we reconstruct the input graph signal?" We propose Graph Deconvolutional Network (GDN) and motivate the design of GDN via a combination of inverse filters in spectral domain and de-noising layers in wavelet domain, as the inverse operation results in a high frequency amplifier and may amplify the noise. We demonstrate the effectiveness of the proposed method on several tasks including graph feature imputation and graph structure generation.
Abstract（参考訳）: 本稿では,グラフ学習領域における逆問題を考える。「グラフ畳み込みネットワーク(gcn)により平滑化されたグラフ表現に対して,どのように入力グラフ信号を再構成できるか? 本稿では,gdn(graph deconvolutional network)を提案し,スペクトル領域の逆フィルタとウェーブレット領域の非ノイズ層の組み合わせによりgdnの設計を動機付ける。本稿では,グラフ特徴量計算やグラフ構造生成などのタスクにおける提案手法の有効性を示す。

関連論文リスト

Signed Graph Neural Networks: A Frequency Perspective [14.386571627652975]
グラフ畳み込みネットワーク(GCN)は、正のリンクのみを含む符号なしグラフ用に設計されている。我々は2つの異なる符号付きグラフニューラルネットワークを提案し、その1つは低周波情報のみを保持し、もう1つは高周波情報を保持する。
論文参考訳（メタデータ） (2022-08-15T16:42:18Z)
Learning Graph Structure from Convolutional Mixtures [119.45320143101381]
本稿では、観測されたグラフと潜伏グラフのグラフ畳み込み関係を提案し、グラフ学習タスクをネットワーク逆(デコンボリューション)問題として定式化する。固有分解に基づくスペクトル法の代わりに、近似勾配反復をアンロール・トランケートして、グラフデコンボリューションネットワーク(GDN)と呼ばれるパラメータ化ニューラルネットワークアーキテクチャに到達させる。 GDNは、教師付き方式でグラフの分布を学習し、損失関数を適応させることでリンク予測やエッジウェイト回帰タスクを実行し、本質的に帰納的である。
論文参考訳（メタデータ） (2022-05-19T14:08:15Z)
Spectral Graph Convolutional Networks With Lifting-based Adaptive Graph Wavelets [81.63035727821145]
スペクトルグラフ畳み込みネットワーク(SGCN)はグラフ表現学習において注目を集めている。本稿では,適応グラフウェーブレットを用いたグラフ畳み込みを実装した新しいスペクトルグラフ畳み込みネットワークを提案する。
論文参考訳（メタデータ） (2021-08-03T17:57:53Z)
Adaptive Filters in Graph Convolutional Neural Networks [0.0]
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処理の可能性から注目されている。本稿では,グラフ上で空間畳み込みを行う手法を提案する入力に対して,ConvGNNの振る舞いを適応させる新しい手法を提案する。
論文参考訳（メタデータ） (2021-05-21T14:36:39Z)
Graph Autoencoders with Deconvolutional Networks [32.78113728062279]
Graph Deconvolutional Networks (GDN)は、スムーズなノード表現からグラフ信号を再構成する。スペクトル領域の逆フィルタとウェーブレット領域のノイズ除去層の組み合わせにより、グラフデコンボリューションネットワークの設計を動機付けます。提案したGDNに基づいて, GCNでスムースグラフ表現をエンコードし, GDNで正確なグラフ信号をデコードするグラフオートエンコーダフレームワークを提案する。
論文参考訳（メタデータ） (2020-12-22T09:49:39Z)
Unrolling of Deep Graph Total Variation for Image Denoising [106.93258903150702]
本稿では,従来のグラフ信号フィルタリングと深い特徴学習を併用して,競合するハイブリッド設計を提案する。解釈可能な低パスグラフフィルタを用い、最先端のDL復調方式DnCNNよりも80%少ないネットワークパラメータを用いる。
論文参考訳（メタデータ） (2020-10-21T20:04:22Z)
Graph Pooling with Node Proximity for Hierarchical Representation Learning [80.62181998314547]
本稿では,ノード近接を利用したグラフプーリング手法を提案し,そのマルチホップトポロジを用いたグラフデータの階層的表現学習を改善する。その結果,提案したグラフプーリング戦略は,公開グラフ分類ベンチマークデータセットの集合において,最先端のパフォーマンスを達成できることが示唆された。
論文参考訳（メタデータ） (2020-06-19T13:09:44Z)
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)
Graphon Pooling in Graph Neural Networks [169.09536309161314]
グラフニューラルネットワーク(GNN)は、グラフによってモデル化された不規則構造上の信号の処理を含む様々なアプリケーションで効果的に使用されている。本稿では,グラフのスペクトル特性を保存したグラフオンを用いて,GNNのプールとサンプリングを行う新しい手法を提案する。
論文参考訳（メタデータ） (2020-03-03T21:04:20Z)

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。