Fugu-MT 論文翻訳(概要): Learning on Random Balls is Sufficient for Estimating (Some) Graph Parameters

論文の概要: Learning on Random Balls is Sufficient for Estimating (Some) Graph Parameters

arxiv url: http://arxiv.org/abs/2111.03317v1
Date: Fri, 5 Nov 2021 08:32:46 GMT
ステータス: 処理完了
システム内更新日: 2021-11-08 21:42:15.017402
Title: Learning on Random Balls is Sufficient for Estimating (Some) Graph Parameters
Title（参考訳）: ランダムボールの学習はグラフパラメータの推定に十分である
Authors: Takanori Maehara and Hoang NT
Abstract要約: 本研究では,部分観測環境におけるグラフ分類問題の理論的枠組みを開発する。ランダムにサンプリングされた部分グラフで動作する新しいグラフ分類モデルを提案する。
参考スコア（独自算出の注目度）: 28.50409304490877
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Theoretical analyses for graph learning methods often assume a complete observation of the input graph. Such an assumption might not be useful for handling any-size graphs due to the scalability issues in practice. In this work, we develop a theoretical framework for graph classification problems in the partial observation setting (i.e., subgraph samplings). Equipped with insights from graph limit theory, we propose a new graph classification model that works on a randomly sampled subgraph and a novel topology to characterize the representability of the model. Our theoretical framework contributes a theoretical validation of mini-batch learning on graphs and leads to new learning-theoretic results on generalization bounds as well as size-generalizability without assumptions on the input.
Abstract（参考訳）: グラフ学習法の理論的解析は、しばしば入力グラフの完全な観察を仮定する。このような仮定は、実際にスケーラビリティの問題のために、どんなサイズのグラフを扱うのにも役に立たないかもしれない。本研究では,部分的観測設定(すなわち部分グラフサンプリング)におけるグラフ分類問題に対する理論的枠組みを開発する。グラフ極限理論からの洞察を得て、ランダムにサンプリングされた部分グラフに作用する新しいグラフ分類モデルと、モデルの表現可能性を特徴付ける新しいトポロジーを提案する。理論的な枠組みは,グラフ上のミニバッチ学習の理論的検証に寄与し,入力の仮定を伴わないサイズ一般化可能性だけでなく,一般化境界に関する新しい学習理論的結果をもたらす。

関連論文リスト

Does Graph Prompt Work? A Data Operation Perspective with Theoretical Analysis [7.309233340654514]
本稿では,データ操作の観点からグラフのプロンプトを厳密に解析する理論的枠組みを提案する。グラフ変換演算子に近似する能力を示す形式的保証定理を提供する。グラフプロンプトによってこれらのデータ操作の誤差の上限を導出し、この議論をグラフのバッチに拡張する。
論文参考訳（メタデータ） (2024-10-02T15:07:13Z)
GraphGLOW: Universal and Generalizable Structure Learning for Graph Neural Networks [72.01829954658889]
本稿では,この新たな問題設定の数学的定義を紹介する。一つのグラフ共有構造学習者と複数のグラフ固有GNNを協調する一般的なフレームワークを考案する。十分に訓練された構造学習者は、微調整なしで、目に見えない対象グラフの適応的な構造を直接生成することができる。
論文参考訳（メタデータ） (2023-06-20T03:33:22Z)
Learning node embeddings via summary graphs: a brief theoretical analysis [55.25628709267215]
グラフ表現学習は多くのグラフマイニングアプリケーションにおいて重要な役割を果たすが、大規模なグラフの埋め込みを学習することは依然として問題である。最近の研究は、グラフの要約(つまり、より小さな要約グラフへの埋め込みを学習し、元のグラフのノード埋め込みを復元することでスケーラビリティを向上させる。本稿では,導入したカーネル行列に基づく3つの特定の埋め込み学習手法について,詳細な理論的解析を行う。
論文参考訳（メタデータ） (2022-07-04T04:09:50Z)
Beyond spectral gap: The role of the topology in decentralized learning [58.48291921602417]
機械学習モデルのデータ並列最適化では、労働者はモデルの推定値を改善するために協力する。本稿では、労働者が同じデータ分散を共有するとき、疎結合な分散最適化の正確な図面を描くことを目的とする。我々の理論は深層学習における経験的観察と一致し、異なるグラフトポロジーの相対的メリットを正確に記述する。
論文参考訳（メタデータ） (2022-06-07T08:19:06Z)
Towards Explanation for Unsupervised Graph-Level Representation Learning [108.31036962735911]
既存の説明手法は,教師付き設定,例えばノード分類,グラフ分類に重点を置いているが,教師なしグラフレベルの表現学習に関する説明はまだ探索されていない。本稿では,非教師付きグラフ表現における説明問題に対処するために,インフォメーション・ボトルネックの原則(IB)を推進し,新しい原理であるtextitUnsupervised Subgraph Information Bottleneck(USIB)を導出する。また,グラフ表現とラベル空間上の説明部分グラフの関連性も理論的に解析し,表現の堅牢性が説明部分グラフの忠実性に寄与することを明らかにする。
論文参考訳（メタデータ） (2022-05-20T02:50:15Z)
Optimal Propagation for Graph Neural Networks [51.08426265813481]
最適グラフ構造を学習するための二段階最適化手法を提案する。また、時間的複雑さをさらに軽減するために、低ランク近似モデルについても検討する。
論文参考訳（メタデータ） (2022-05-06T03:37:00Z)
Self-Supervised Representation Learning via Latent Graph Prediction [41.64774038444827]
グラフニューラルネットワークの自己教師付き学習(SSL)は、ラベルのないデータを活用するための有望な方法として浮上している。ラグラフ(LaGraph)は、遅延グラフ予測に基づく理論的に基礎付けられた予測型SSLフレームワークである。実験結果から,LaGraphの性能向上と,グラフレベルとノードレベルの両方のタスクにおけるトレーニングサンプルサイズ削減に対する堅牢性を示す。
論文参考訳（メタデータ） (2022-02-16T21:10:33Z)
Interpretable and Generalizable Graph Learning via Stochastic Attention Mechanism [6.289180873978089]
解釈可能なグラフ学習は、グラフ構造化データから洞察を集めるための学習モデルに依存する多くの科学的応用を必要としている。以前の作業は主に、事前訓練されたモデルを解釈するためのポストホックアプローチの使用に重点を置いていた。本稿では,情報ボトルネック原理に基づく注意機構であるグラフ注意(GSAT)を提案する。
論文参考訳（メタデータ） (2022-01-31T03:59:48Z)
Unbiased Graph Embedding with Biased Graph Observations [52.82841737832561]
基礎となるバイアスのないグラフから学習することで、バイアスのない表現を得るための、原則化された新しい方法を提案する。この新たな視点に基づいて、そのような基礎となるグラフを明らかにするための2つの補完的手法を提案する。
論文参考訳（メタデータ） (2021-10-26T18:44:37Z)
Non-Parametric Graph Learning for Bayesian Graph Neural Networks [35.88239188555398]
グラフ隣接行列の後方分布を構築するための新しい非パラメトリックグラフモデルを提案する。このモデルの利点を,ノード分類,リンク予測,レコメンデーションという3つの異なる問題設定で示す。
論文参考訳（メタデータ） (2020-06-23T21:10:55Z)

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。