論文の概要: Learnable Structural Semantic Readout for Graph Classification
- arxiv url: http://arxiv.org/abs/2111.11523v1
- Date: Mon, 22 Nov 2021 20:44:27 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-25 08:00:30.870070
- Title: Learnable Structural Semantic Readout for Graph Classification
- Title（参考訳）: グラフ分類のための学習可能な構造意味読み出し
- Authors: Dongha Lee, Su Kim, Seonghyeon Lee, Chanyoung Park, Hwanjo Yu
- Abstract要約: 位置レベルでのノード表現を要約するために,構造的セマンティック・リードアウト(SSRead)を提案する。
SSReadは、ノードと構造プロトタイプ間のセマンティックアライメントを使用することで、構造的に意味のある位置を特定することを目的としている。
実験の結果,SSReadはGNN分類器の分類性能と解釈可能性を大幅に向上させることがわかった。
- 参考スコア（独自算出の注目度）: 23.78861906423389
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: With the great success of deep learning in various domains, graph neural
networks (GNNs) also become a dominant approach to graph classification. By the
help of a global readout operation that simply aggregates all node (or
node-cluster) representations, existing GNN classifiers obtain a graph-level
representation of an input graph and predict its class label using the
representation. However, such global aggregation does not consider the
structural information of each node, which results in information loss on the
global structure. Particularly, it limits the discrimination power by enforcing
the same weight parameters of the classifier for all the node representations;
in practice, each of them contributes to target classes differently depending
on its structural semantic. In this work, we propose structural semantic
readout (SSRead) to summarize the node representations at the position-level,
which allows to model the position-specific weight parameters for
classification as well as to effectively capture the graph semantic relevant to
the global structure. Given an input graph, SSRead aims to identify
structurally-meaningful positions by using the semantic alignment between its
nodes and structural prototypes, which encode the prototypical features of each
position. The structural prototypes are optimized to minimize the alignment
cost for all training graphs, while the other GNN parameters are trained to
predict the class labels. Our experimental results demonstrate that SSRead
significantly improves the classification performance and interpretability of
GNN classifiers while being compatible with a variety of aggregation functions,
GNN architectures, and learning frameworks.
- Abstract（参考訳）: 様々な領域におけるディープラーニングの成功により、グラフニューラルネットワーク(GNN)もグラフ分類の主要なアプローチとなっている。
すべてのノード(またはノードクラスタ)表現を単純に集約するグローバルな読み出し操作によって、既存のGNN分類器は入力グラフのグラフレベル表現を取得し、その表現を使用してそのクラスラベルを予測する。
しかし、このようなグローバルアグリゲーションは各ノードの構造情報を考慮せず、結果としてグローバル構造に関する情報が失われる。
特に、すべてのノード表現に対して分類器の同じ重みパラメータを強制することにより、識別力を制限している。
本研究では,位置レベルのノード表現を要約する構造的セマンティック・セマンティック・リードアウト(SSRead)を提案する。これにより,分類のための位置固有重みパラメータをモデル化し,グローバル構造に関連するグラフセマンティックスを効果的に捉えることができる。
入力グラフが与えられたssreadは、各位置の原型的特徴をエンコードするノードと構造プロトタイプ間の意味的アライメントを用いて、構造的に意味のある位置を特定することを目的としている。
構造的なプロトタイプはすべてのトレーニンググラフのアライメントコストを最小化するために最適化され、他のgnnパラメータはクラスラベルを予測するためにトレーニングされる。
実験の結果,SSRead は GNN 分類器の分類性能と解釈性を大幅に向上し,多様な集約関数や GNN アーキテクチャ,学習フレームワークと互換性があることが示されている。
関連論文リスト
- GaGSL: Global-augmented Graph Structure Learning via Graph Information Bottleneck [5.943641527857957]
我々は,TextitGlobal-augmented Graph Structure Learning (GaGSL) という新しい手法を提案する。
GaGSLの背景にある重要な考え方は、ノード分類タスクのためのコンパクトで情報的なグラフ構造を学ぶことである。
さまざまなデータセットにわたる包括的な評価は、最先端の手法と比較して、GaGSLの優れた性能と堅牢性を示している。
論文 参考訳（メタデータ） (2024-11-07T01:23:48Z) - Learning Invariant Representations of Graph Neural Networks via Cluster
Generalization [58.68231635082891]
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モデリングでますます人気が高まっている。
本稿では,構造変化が発生した場合,GNNの性能が著しく低下することが実験的に確認された。
本稿では,GNNの不変表現を学習するクラスタ情報伝達(CIT)機構を提案する。
論文 参考訳（メタデータ） (2024-03-06T10:36:56Z) - DGNN: Decoupled Graph Neural Networks with Structural Consistency
between Attribute and Graph Embedding Representations [62.04558318166396]
グラフニューラルネットワーク(GNN)は、複雑な構造を持つグラフ上での表現学習の堅牢性を示す。
ノードのより包括的な埋め込み表現を得るために、Decoupled Graph Neural Networks (DGNN)と呼ばれる新しいGNNフレームワークが導入された。
複数のグラフベンチマークデータセットを用いて、ノード分類タスクにおけるDGNNの優位性を検証した。
論文 参考訳（メタデータ） (2024-01-28T06:43:13Z) - Local Structure-aware Graph Contrastive Representation Learning [12.554113138406688]
複数のビューからノードの構造情報をモデル化するための局所構造対応グラフ比較表現学習法(LS-GCL)を提案する。
ローカルビューでは、各ターゲットノードのセマンティックサブグラフが共有GNNエンコーダに入力され、サブグラフレベルに埋め込まれたターゲットノードを取得する。
グローバルな視点では、元のグラフはノードの必要不可欠な意味情報を保存しているので、共有GNNエンコーダを利用して、グローバルなグラフレベルでターゲットノードの埋め込みを学習する。
論文 参考訳（メタデータ） (2023-08-07T03:23:46Z) - Omni-Granular Ego-Semantic Propagation for Self-Supervised Graph
Representation Learning [6.128446481571702]
下流ノードとグラフレベルの分類タスクでは,教師なし/自己教師付きグラフ表現学習が重要である。
インスタンス適応型グローバル・アウェア・エゴ・セマンティック・ディスクリプタを提案する。
ディスクリプタは、ローカルグラフの畳み込みに、新しい隣接ノードとして明示的に統合することができる。
論文 参考訳（メタデータ） (2022-05-31T12:31:33Z) - Understanding Graph Convolutional Networks for Text Classification [9.495731689143827]
本稿では,グラフにおけるノードとエッジの埋め込みの役割と,テキスト分類におけるGCN学習手法を包括的に分析する。
我々の分析はこの種の最初のものであり、各グラフノード/エッジ構築メカニズムの重要性についての有用な洞察を提供する。
論文 参考訳（メタデータ） (2022-03-30T05:14:31Z) - SHGNN: Structure-Aware Heterogeneous Graph Neural Network [77.78459918119536]
本稿では、上記の制約に対処する構造対応不均一グラフニューラルネットワーク(SHGNN)を提案する。
まず,メタパス内の中間ノードの局所構造情報を取得するために,特徴伝搬モジュールを利用する。
次に、ツリーアテンションアグリゲータを使用して、グラフ構造情報をメタパス上のアグリゲーションモジュールに組み込む。
最後に、メタパスアグリゲータを利用して、異なるメタパスから集約された情報を融合する。
論文 参考訳（メタデータ） (2021-12-12T14:18:18Z) - Self-supervised Graph-level Representation Learning with Local and
Global Structure [71.45196938842608]
自己教師付き全グラフ表現学習のためのローカル・インスタンスとグローバル・セマンティック・ラーニング(GraphLoG)という統合フレームワークを提案する。
GraphLoGは、局所的な類似点の保存に加えて、グローバルなセマンティッククラスタをキャプチャする階層的なプロトタイプも導入している。
モデル学習のための効率的なオンライン予測最大化(EM)アルゴリズムがさらに開発された。
論文 参考訳（メタデータ） (2021-06-08T05:25:38Z) - Structure-Enhanced Meta-Learning For Few-Shot Graph Classification [53.54066611743269]
本研究では,数点グラフ分類の解法のためのメトリベースメタラーニングの可能性を検討する。
SMFGINというGINの実装は、ChemblとTRIANGLESの2つのデータセットでテストされている。
論文 参考訳（メタデータ） (2021-03-05T09:03:03Z) - Structured Graph Learning for Clustering and Semi-supervised
Classification [74.35376212789132]
データの局所構造とグローバル構造の両方を保存するためのグラフ学習フレームワークを提案する。
本手法は, サンプルの自己表現性を利用して, 局所構造を尊重するために, 大域的構造と適応的隣接アプローチを捉える。
我々のモデルは、ある条件下でのカーネルk平均法とk平均法の組合せと等価である。
論文 参考訳（メタデータ） (2020-08-31T08:41:20Z) - Deep graph learning for semi-supervised classification [11.260083018676548]
グラフ学習(GL)は、グラフ畳み込みネットワーク(GCN)に基づくデータの分布構造(グラフ構造)を動的に捉えることができる
既存の手法は主に計算層と関連する損失をGCNに組み合わせ、グローバルグラフや局所グラフを探索する。
半教師付き分類において,より優れたグラフ表現を求めるためにディープグラフ学習(DGL)を提案する。
論文 参考訳（メタデータ） (2020-05-29T05:59:45Z)
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。