論文の概要: p2pGNN: A Decentralized Graph Neural Network for Node Classification in Peer-to-Peer Networks

• arxiv url: http://arxiv.org/abs/2111.14837v1
• Date: Mon, 29 Nov 2021 12:21:47 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-02 08:22:20.567682
• Title: p2pGNN: A Decentralized Graph Neural Network for Node Classification in Peer-to-Peer Networks
• Title（参考訳）: p2pGNN:ピアツーピアネットワークにおけるノード分類のための分散グラフニューラルネットワーク
• Authors: Emmanouil Krasanakis, Symeon Papadopoulos, Ioannis Kompatsiaris
• Abstract要約: 本研究では,非構造化ピアツーピアネットワークのノードを分散化ソーシャルネットワークのユーザなどコミュニケーションの不確実性のあるノードに分類することを目的とする。 この問題を解決するために,グラフニューラルネットワーク(GNN)を分離した。 通信速度に対して線形に同じ予測で収束する拡散の非同期分散定式化を開発する。
• 参考スコア（独自算出の注目度）: 15.164084925877624
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: In this work, we aim to classify nodes of unstructured peer-to-peer networks with communication uncertainty, such as users of decentralized social networks. Graph Neural Networks (GNNs) are known to improve the accuracy of simpler classifiers in centralized settings by leveraging naturally occurring network links, but graph convolutional layers are challenging to implement in decentralized settings when node neighbors are not constantly available. We address this problem by employing decoupled GNNs, where base classifier predictions and errors are diffused through graphs after training. For these, we deploy pre-trained and gossip-trained base classifiers and implement peer-to-peer graph diffusion under communication uncertainty. In particular, we develop an asynchronous decentralized formulation of diffusion that converges at the same predictions linearly with respect to communication rate. We experiment on three real-world graphs with node features and labels and simulate peer-to-peer networks with uniformly random communication frequencies; given a portion of known labels, our decentralized graph diffusion achieves comparable accuracy to centralized GNNs.
• Abstract（参考訳）: 本研究では,非構造化ピアツーピアネットワークのノードを分散化ソーシャルネットワークのユーザなど通信の不確実性で分類することを目的とする。 グラフニューラルネットワーク(gnns)は、自然発生するネットワークリンクを利用することで、中央集権設定におけるより単純な分類器の精度を向上させることが知られているが、グラフ畳み込み層は、ノード近傍が常に利用できない場合に分散設定を実装することが困難である。 本稿では,学習後のグラフを通じてベース分類器の予測とエラーが拡散される,分離gnnを用いてこの問題に対処する。 そこで我々は,事前学習およびゴシップ学習による基本分類器をデプロイし,通信不確実性の下でピアツーピアグラフ拡散を実装する。 特に,通信速度に対して線形に同じ予測で収束する拡散の非同期分散定式化を考案する。 我々はノードの特徴とラベルを持つ3つの実世界のグラフを実験し、一様ランダムな通信周波数でピアツーピアネットワークをシミュレートする。

関連論文リスト

• Graph Out-of-Distribution Generalization via Causal Intervention [69.70137479660113]
  本稿では,ノードレベルの分散シフトの下で頑健なグラフニューラルネットワーク(GNN)をトレーニングするための,概念的に単純だが原則化されたアプローチを提案する。 本手法は,環境推定器と熟練GNN予測器を協調する因果推論に基づく新たな学習目標を提案する。 本モデルでは,様々な分散シフトによる一般化を効果的に向上し,グラフOOD一般化ベンチマーク上での最先端の精度を最大27.4%向上させることができる。
  論文  参考訳（メタデータ） (2024-02-18T07:49:22Z)
• GNN-LoFI: a Novel Graph Neural Network through Localized Feature-based Histogram Intersection [51.608147732998994]
  グラフニューラルネットワークは、グラフベースの機械学習の選択フレームワークになりつつある。 本稿では,古典的メッセージパッシングに代えて,ノード特徴の局所分布を解析するグラフニューラルネットワークアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2024-01-17T13:04:23Z)
• Domain-adaptive Message Passing Graph Neural Network [67.35534058138387]
  クロスネットワークノード分類(CNNC)は、豊富なラベルを持つソースネットワークから知識を転送することで、ラベル不足のターゲットネットワーク内のノードを分類することを目的としている。 本稿では,グラフニューラルネットワーク(GNN)と条件付き対向ドメイン適応を統合したドメイン適応型メッセージパッシンググラフニューラルネットワーク(DM-GNN)を提案する。
  論文  参考訳（メタデータ） (2023-08-31T05:26:08Z)
• Semi-decentralized Inference in Heterogeneous Graph Neural Networks for Traffic Demand Forecasting: An Edge-Computing Approach [35.0857568908058]
  グラフニューラルネットワーク(GNN)は、タクシーの需要と供給を予測することを約束している。 本稿では,複数のクラウドレット,中規模ストレージ,計算装置を利用した半分散化手法を提案する。 また、タクシーレベルの需要と供給予測を改善するための異種GNN-LSTMアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-02-28T00:21:18Z)
• Scalable Neural Network Training over Distributed Graphs [45.151244961817454]
  実世界のグラフデータは、キャパシティの制約のため、多くのマシンに格納されなければならない。 ネットワーク通信は費用がかかり、GNNのトレーニングの主なボトルネックとなっている。 最初のフレームワークは、すべてのネットワーク分散レベルにおいて、GNNのトレーニングに使用することができる。
  論文  参考訳（メタデータ） (2023-02-25T10:42:34Z)
• SSSNET: Semi-Supervised Signed Network Clustering [4.895808607591299]
  SSSNETと呼ばれる半教師付きネットワーククラスタリングのためのGNNフレームワークにおいて、トレーニングノードに対する確率的バランスの取れた正規化カット損失を新たに導入する。 主な斬新なアプローチは、署名されたネットワーク埋め込みにおける社会的バランス理論の役割に関する新しい見解である。
  論文  参考訳（メタデータ） (2021-10-13T10:36:37Z)
• Graph Belief Propagation Networks [34.137798598227874]
  グラフニューラルネットワークと集合分類の利点を組み合わせたモデルを提案する。 我々のモデルでは、各ノード上のポテンシャルはそのノードの特徴にのみ依存し、エッジポテンシャルは結合行列を介して学習される。 我々のアプローチは、解釈可能なメッセージパスグラフニューラルネットワークか、より高いキャパシティと近代化されたトレーニングを備えた集団分類手法とみなすことができる。
  論文  参考訳（メタデータ） (2021-06-06T05:24:06Z)
• Graph Neural Networks: Architectures, Stability and Transferability [176.3960927323358]
  グラフニューラルネットワーク(GNN)は、グラフでサポートされている信号のための情報処理アーキテクチャである。 これらは、個々の層がグラフ畳み込みフィルタのバンクを含む畳み込みニューラルネットワーク(CNN)の一般化である。
  論文  参考訳（メタデータ） (2020-08-04T18:57:36Z)
• 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)
• Quantized Decentralized Stochastic Learning over Directed Graphs [52.94011236627326]
  有向グラフ上で通信する計算ノード間でデータポイントが分散される分散学習問題を考える。 モデルのサイズが大きくなるにつれて、分散学習は、各ノードが隣人にメッセージ(モデル更新)を送信することによる通信負荷の大きなボトルネックに直面します。 本稿では,分散コンセンサス最適化におけるプッシュサムアルゴリズムに基づく有向グラフ上の量子化分散学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-02-23T18:25:39Z)

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。