論文の概要: Neighborhood Random Walk Graph Sampling for Regularized Bayesian Graph
Convolutional Neural Networks
- arxiv url: http://arxiv.org/abs/2112.07743v1
- Date: Tue, 14 Dec 2021 20:58:27 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-16 14:03:36.154543
- Title: Neighborhood Random Walk Graph Sampling for Regularized Bayesian Graph
Convolutional Neural Networks
- Title（参考訳）: 正規化ベイズグラフ畳み込みニューラルネットワークのための近傍ランダムウォークグラフサンプリング
- Authors: Aneesh Komanduri, Justin Zhan
- Abstract要約: 本稿では,近隣ランダムウォークサンプリング(BGCN-NRWS)を用いたベイジアングラフ畳み込みネットワーク(Bayesian Graph Convolutional Network)を提案する。
BGCN-NRWSは、グラフ構造を利用したマルコフ・チェイン・モンテカルロ(MCMC)に基づくグラフサンプリングアルゴリズムを使用し、変分推論層を用いてオーバーフィッティングを低減し、半教師付きノード分類における最先端と比較して一貫して競合する分類結果を得る。
- 参考スコア（独自算出の注目度）: 0.6236890292833384
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In the modern age of social media and networks, graph representations of
real-world phenomena have become an incredibly useful source to mine insights.
Often, we are interested in understanding how entities in a graph are
interconnected. The Graph Neural Network (GNN) has proven to be a very useful
tool in a variety of graph learning tasks including node classification, link
prediction, and edge classification. However, in most of these tasks, the graph
data we are working with may be noisy and may contain spurious edges. That is,
there is a lot of uncertainty associated with the underlying graph structure.
Recent approaches to modeling uncertainty have been to use a Bayesian framework
and view the graph as a random variable with probabilities associated with
model parameters. Introducing the Bayesian paradigm to graph-based models,
specifically for semi-supervised node classification, has been shown to yield
higher classification accuracies. However, the method of graph inference
proposed in recent work does not take into account the structure of the graph.
In this paper, we propose a novel algorithm called Bayesian Graph Convolutional
Network using Neighborhood Random Walk Sampling (BGCN-NRWS), which uses a
Markov Chain Monte Carlo (MCMC) based graph sampling algorithm utilizing graph
structure, reduces overfitting by using a variational inference layer, and
yields consistently competitive classification results compared to the
state-of-the-art in semi-supervised node classification.
- Abstract（参考訳）: ソーシャルメディアとネットワークの現代において、現実世界の現象のグラフ表現は、洞察を掘り起こす上で非常に有用な情報源となっている。
多くの場合、グラフ内のエンティティがどのように相互接続されているかを理解することに興味があります。
グラフニューラルネットワーク(GNN)は,ノード分類やリンク予測,エッジ分類など,さまざまなグラフ学習タスクにおいて,非常に有用なツールであることが証明されている。
しかし、ほとんどのタスクでは、私たちが処理しているグラフデータは騒がしく、スプリアスエッジを含む可能性がある。
つまり、基礎となるグラフ構造には多くの不確実性があります。
不確実性をモデル化する最近のアプローチは、ベイズフレームワークを使い、グラフをモデルパラメータに関連する確率確率変数として見ることである。
グラフベースモデル、特に半教師付きノード分類へのベイズパラダイムの導入は、より高い分類精度をもたらすことが示されている。
しかし、最近の研究で提案されたグラフ推論の方法は、グラフの構造を考慮に入れていない。
本稿では,グラフ構造を用いたマルコフ連鎖モンテカルロ(mcmc)に基づくグラフサンプリングアルゴリズムを用いた近傍ランダムウォークサンプリング(bgcn-nrws)を用いたベイズグラフ畳み込みネットワークと呼ばれる新しいアルゴリズムを提案する。
関連論文リスト
- NodeFormer: A Scalable Graph Structure Learning Transformer for Node
Classification [70.51126383984555]
本稿では,任意のノード間のノード信号を効率的に伝搬する全ペアメッセージパッシング方式を提案する。
効率的な計算は、カーナライズされたGumbel-Softmax演算子によって実現される。
グラフ上のノード分類を含む様々なタスクにおいて,本手法の有望な有効性を示す実験を行った。
論文 参考訳（メタデータ） (2023-06-14T09:21:15Z) - Addressing Heterophily in Node Classification with Graph Echo State
Networks [11.52174067809364]
ノード分類のためのグラフエコー状態ネットワーク(GESN)を用いた異種グラフの課題に対処する。
GESNはグラフのための貯水池計算モデルであり、ノードの埋め込みは訓練されていないメッセージパッシング関数によって計算される。
実験の結果, 貯水池モデルでは, ほぼ完全に訓練された深層モデルに対して, より優れた精度あるいは同等の精度が得られることがわかった。
論文 参考訳（メタデータ） (2023-05-14T19:42:31Z) - Neural Graph Matching for Pre-training Graph Neural Networks [72.32801428070749]
グラフニューラルネットワーク(GNN)は、構造データのモデリングにおいて強力な能力を示している。
GMPTと呼ばれる新しいグラフマッチングベースのGNN事前学習フレームワークを提案する。
提案手法は,完全自己指導型プレトレーニングと粗粒型プレトレーニングに適用できる。
論文 参考訳（メタデータ） (2022-03-03T09:53:53Z) - A Robust and Generalized Framework for Adversarial Graph Embedding [73.37228022428663]
本稿では,AGE という逆グラフ埋め込みのための頑健なフレームワークを提案する。
AGEは、暗黙の分布から強化された負のサンプルとして偽の隣接ノードを生成する。
本フレームワークでは,3種類のグラフデータを扱う3つのモデルを提案する。
論文 参考訳（メタデータ） (2021-05-22T07:05:48Z) - Scalable Graph Neural Networks for Heterogeneous Graphs [12.44278942365518]
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を学習するためのパラメトリックモデルの一般的なクラスである。
最近の研究は、GNNが主に機能をスムースにするためにグラフを使用しており、ベンチマークタスクで競合する結果を示していると主張している。
本研究では、これらの結果が異種グラフに拡張可能かどうかを問うとともに、異なるエンティティ間の複数のタイプの関係を符号化する。
論文 参考訳（メタデータ） (2020-11-19T06:03:35Z) - Line Graph Neural Networks for Link Prediction [71.00689542259052]
実世界の多くのアプリケーションにおいて古典的なグラフ解析問題であるグラフリンク予測タスクについて検討する。
このフォーマリズムでは、リンク予測問題をグラフ分類タスクに変換する。
本稿では,線グラフをグラフ理論に用いて,根本的に異なる新しい経路を求めることを提案する。
特に、線グラフの各ノードは、元のグラフのユニークなエッジに対応するため、元のグラフのリンク予測問題は、グラフ分類タスクではなく、対応する線グラフのノード分類問題として等価に解決できる。
論文 参考訳（メタデータ） (2020-10-20T05:54:31Z) - Certified Robustness of Graph Classification against Topology Attack
with Randomized Smoothing [22.16111584447466]
グラフベースの機械学習モデルは、非i.dなグラフデータの性質のため、敵対的な摂動に弱い。
堅牢性を保証するスムーズなグラフ分類モデルを構築した。
グラフ畳み込みネットワーク(GCN)に基づくマルチクラスグラフ分類モデルにおいて,提案手法の有効性を評価する。
論文 参考訳（メタデータ） (2020-09-12T22:18:54Z) - Multilevel Graph Matching Networks for Deep Graph Similarity Learning [79.3213351477689]
グラフ構造オブジェクト間のグラフ類似性を計算するためのマルチレベルグラフマッチングネットワーク(MGMN)フレームワークを提案する。
標準ベンチマークデータセットの欠如を補うため、グラフグラフ分類とグラフグラフ回帰タスクの両方のためのデータセットセットを作成し、収集した。
総合的な実験により、MGMNはグラフグラフ分類とグラフグラフ回帰タスクの両方において、最先端のベースラインモデルより一貫して優れていることが示された。
論文 参考訳（メタデータ） (2020-07-08T19:48:19Z) - 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) - 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) - Customized Graph Neural Networks [38.30640892828196]
グラフニューラルネットワーク(GNN)は,グラフ分類のタスクを大幅に進歩させた。
本稿では,新たにカスタマイズされたグラフニューラルネットワークフレームワークであるCustomized-GNNを提案する。
提案するフレームワークは非常に一般的なもので,既存のグラフニューラルネットワークモデルにも適用可能である。
論文 参考訳（メタデータ） (2020-05-22T05:22:24Z)
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。