論文の概要: BScNets: Block Simplicial Complex Neural Networks

• arxiv url: http://arxiv.org/abs/2112.06826v1
• Date: Mon, 13 Dec 2021 17:35:54 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-14 16:18:27.734229
• Title: BScNets: Block Simplicial Complex Neural Networks
• Title（参考訳）: bscnets:ブロックsimplicial complex neural networks
• Authors: Yuzhou Chen, Yulia R. Gel, H. Vincent Poor
• Abstract要約: グラフ学習における最新の方向性として、SNN(Simplicial Neural Network)が最近登場した。 リンク予測のためのBlock Simplicial Complex Neural Networks (BScNets) モデルを提案する。 BScNetsは、コストを抑えながら最先端のモデルよりも大きなマージンを保っている。
• 参考スコア（独自算出の注目度）: 79.81654213581977
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Simplicial neural networks (SNN) have recently emerged as the newest direction in graph learning which expands the idea of convolutional architectures from node space to simplicial complexes on graphs. Instead of pre-dominantly assessing pairwise relations among nodes as in the current practice, simplicial complexes allow us to describe higher-order interactions and multi-node graph structures. By building upon connection between the convolution operation and the new block Hodge-Laplacian, we propose the first SNN for link prediction. Our new Block Simplicial Complex Neural Networks (BScNets) model generalizes the existing graph convolutional network (GCN) frameworks by systematically incorporating salient interactions among multiple higher-order graph structures of different dimensions. We discuss theoretical foundations behind BScNets and illustrate its utility for link prediction on eight real-world and synthetic datasets. Our experiments indicate that BScNets outperforms the state-of-the-art models by a significant margin while maintaining low computation costs. Finally, we show utility of BScNets as the new promising alternative for tracking spread of infectious diseases such as COVID-19 and measuring the effectiveness of the healthcare risk mitigation strategies.
• Abstract（参考訳）: SNN(Simplicial Neural Network)は、最近、ノード空間からグラフ上のsimplicial Complexへの畳み込みアーキテクチャの考え方を拡大するグラフ学習の最も新しい方向として登場した。 現在のようなノード間のペアワイズ関係を優位に評価する代わりに、単純複体は高次相互作用やマルチノードグラフ構造を記述できる。 畳み込み操作と新しいブロックHodge-Laplacianの接続により,リンク予測のための最初のSNNを提案する。 bscnets(block simplicial complex neural networks)モデルは,既存のグラフ畳み込みネットワーク(gcn)フレームワークを一般化し,異なる次元の複数の高次グラフ構造間の高度相互作用を体系的に組み込む。 bscnetsの背後にある理論的基礎を議論し、8つの実世界および合成データセットにおけるリンク予測の有用性を説明する。 実験の結果,BScNetsは計算コストを低く抑えつつ,最先端のモデルよりも優れた性能を示した。 最後に,BScNetsの有用性を,新型コロナウイルスなどの感染症の感染拡大を追跡し,医療リスク軽減戦略の有効性を評価するための新たな代替手段として提示する。

関連論文リスト

• Binarized Simplicial Convolutional Neural Networks [6.069611493148632]
  双極化単純畳み込みニューラルネットワーク(Bi-SCNN)という,単体錯体上の新しいニューラルネットワークアーキテクチャを提案する。 従来のSimplicial Convolutional Neural Networksと比較して、Bi-SCNNのモデル複雑性の低減は、予測性能を犠牲にすることなく実行時間を短縮する。 実世界の観測と海洋ドリフトデータによる実験により,提案したBi-SCNNは効率的かつ正確であることが確認された。
  論文  参考訳（メタデータ） (2024-05-07T08:05:20Z)
• A parameterised model for link prediction using node centrality and similarity measure based on graph embedding [5.507008181141738]
  リンク予測は、グラフ機械学習の重要な側面である。 ネットワークノード間で形成される可能性のある新しいリンクを予測する必要がある。 既存のモデルには重大な欠点がある。 ノードの集中度と類似度をベースとしています。 Model (NCSM) - リンク予測タスクの新しい方法。
  論文  参考訳（メタデータ） (2023-09-11T13:13:54Z)
• Simple and Efficient Heterogeneous Graph Neural Network [55.56564522532328]
  不均一グラフニューラルネットワーク(HGNN)は、不均一グラフの豊富な構造的および意味的な情報をノード表現に埋め込む強力な能力を持つ。 既存のHGNNは、同種グラフ上のグラフニューラルネットワーク(GNN)から多くのメカニズム、特に注意機構と多層構造を継承する。 本稿では,これらのメカニズムを詳細に検討し,簡便かつ効率的なヘテロジニアスグラフニューラルネットワーク(SeHGNN)を提案する。
  論文  参考訳（メタデータ） (2022-07-06T10:01:46Z)
• Deep Architecture Connectivity Matters for Its Convergence: A Fine-Grained Analysis [94.64007376939735]
  我々は、勾配降下訓練におけるディープニューラルネットワーク(DNN)の収束に対する接続パターンの影響を理論的に特徴づける。 接続パターンの単純なフィルタリングによって、評価対象のモデルの数を削減できることが示される。
  論文  参考訳（メタデータ） (2022-05-11T17:43:54Z)
• Simplicial Attention Networks [4.401427499962144]
  SNN(Simplicial Neural Networks)は、simplicial Complex上でメッセージパッシングを実行することによって、自然な相互作用をモデル化する。 Simplicial Attention Networks (SAT) は,近隣のsimplicial間の相互作用を動的に重み付けする,新しいタイプのsimplicial Networks を提案する。 SATは、既存の畳み込みSNNとGNNを2つの画像および軌跡分類タスクで上回ることを示す。
  論文  参考訳（メタデータ） (2022-04-20T13:41:50Z)
• Simplicial Neural Networks [0.0]
  SNN(Simplicial Neural Network)を提案する。 SNNは、Simplicial Complexと呼ばれる位相空間のクラスに存在するデータへのグラフニューラルネットワークの一般化である。 我々は,コオーサシップコンプレックスの欠落したデータを出力する作業において,SNNを試験する。
  論文  参考訳（メタデータ） (2020-10-07T20:15:01Z)
• Data-Driven Learning of Geometric Scattering Networks [74.3283600072357]
  最近提案された幾何散乱変換の緩和に基づく新しいグラフニューラルネットワーク(GNN)モジュールを提案する。 我々の学習可能な幾何散乱(LEGS)モジュールは、ウェーブレットの適応的なチューニングを可能にし、学習された表現に帯域通過の特徴が現れるように促す。
  論文  参考訳（メタデータ） (2020-10-06T01:20:27Z)
• Hierarchical Message-Passing Graph Neural Networks [12.207978823927386]
  本稿では,新しい階層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フレームワークを提案する。 鍵となるアイデアは、フラットグラフ内のすべてのノードをマルチレベルなスーパーグラフに再編成する階層構造を生成することである。 階層型コミュニティ対応グラフニューラルネットワーク(HC-GNN)と呼ばれる,このフレームワークを実装した最初のモデルを提案する。
  論文  参考訳（メタデータ） (2020-09-08T13:11:07Z)
• Learning to Extrapolate Knowledge: Transductive Few-shot Out-of-Graph Link Prediction [69.1473775184952]
  数発のアウトオブグラフリンク予測という現実的な問題を導入する。 我々は,新しいメタ学習フレームワークによってこの問題に対処する。 我々は,知識グラフの補完と薬物と薬物の相互作用予測のために,複数のベンチマークデータセット上でモデルを検証した。
  論文  参考訳（メタデータ） (2020-06-11T17:42:46Z)
• Binarized Graph Neural Network [65.20589262811677]
  我々は二項化グラフニューラルネットワークを開発し、二項化ネットワークパラメータを用いてノードのバイナリ表現を学習する。 提案手法は既存のGNNベースの埋め込み手法にシームレスに統合できる。 実験により、提案された二項化グラフニューラルネットワーク、すなわちBGNは、時間と空間の両方の観点から、桁違いに効率的であることが示されている。
  論文  参考訳（メタデータ） (2020-04-19T09:43:14Z)

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。