論文の概要: Improving Subgraph Recognition with Variational Graph Information Bottleneck

• arxiv url: http://arxiv.org/abs/2112.09899v1
• Date: Sat, 18 Dec 2021 10:51:13 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-21 15:21:34.564768
• Title: Improving Subgraph Recognition with Variational Graph Information Bottleneck
• Title（参考訳）: 変分グラフ情報を用いた部分グラフ認識の改良
• Authors: Junchi Yu, Jie Cao, Ran He
• Abstract要約: 部分グラフ認識は、グラフ特性に最も有益であるグラフの圧縮された部分構造を発見することを目的としている。 本稿では,サブグラフ内の情報を圧縮するためのノイズ注入手法を提案する。
• 参考スコア（独自算出の注目度）: 62.69606854404757
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Subgraph recognition aims at discovering a compressed substructure of a graph that is most informative to the graph property. It can be formulated by optimizing Graph Information Bottleneck (GIB) with a mutual information estimator. However, GIB suffers from training instability since the mutual information of graph data is intrinsically difficult to estimate. This paper introduces a noise injection method to compress the information in the subgraphs, which leads to a novel Variational Graph Information Bottleneck (VGIB) framework. VGIB allows a tractable variational approximation to its objective under mild assumptions. Therefore, VGIB enjoys more stable and efficient training process - we find that VGIB converges 10 times faster than GIB with improved performances in practice. Extensive experiments on graph interpretation, explainability of Graph Neural Networks, and graph classification show that VGIB finds better subgraphs than existing methods.
• Abstract（参考訳）: 部分グラフ認識は、グラフ特性に最も有益であるグラフの圧縮部分構造を発見することを目的としている。 グラフ情報ボトルネック(GIB)を相互情報推定器で最適化することで定式化することができる。 しかし、GIBはグラフデータの相互情報は本質的に推定が難しいため、トレーニング不安定に悩まされている。 本稿では,サブグラフ内の情報を圧縮するためのノイズ注入手法を提案する。 VGIBは、微妙な仮定の下で、その目的に対して、トラクタブルな変分近似を可能にする。 したがって、VGIBはより安定的で効率的なトレーニングプロセスを楽しむことができ、実際のパフォーマンス向上により、VGIBはGIBの10倍の速度で収束する。 グラフ解釈、グラフニューラルネットワークの説明可能性、グラフ分類に関する大規模な実験は、VGIBが既存の方法よりも優れたサブグラフを見つけることを示している。

関連論文リスト

• Feature propagation as self-supervision signals on graphs [0.0]
  正規化グラフ情報最大(RGI)は、ノードレベルの自己教師型学習のためのシンプルだが効果的なフレームワークである。 RGIは,その単純さに拘わらず,最先端のパフォーマンスを実現することができることを示す。
  論文  参考訳（メタデータ） (2023-03-15T14:20:06Z)
• Spectral Augmentations for Graph Contrastive Learning [50.149996923976836]
  コントラスト学習は、監督の有無にかかわらず、表現を学習するための第一の方法として現れてきた。 近年の研究では、グラフ表現学習における事前学習の有用性が示されている。 本稿では,グラフの対照的な目的に対する拡張を構築する際に,候補のバンクを提供するためのグラフ変換操作を提案する。
  論文  参考訳（メタデータ） (2023-02-06T16:26:29Z)
• Graph Contrastive Learning with Implicit Augmentations [36.57536688367965]
  Inlicit Graph Contrastive Learning (iGCL)は、グラフトポロジ構造を再構築することにより、変分グラフオートエンコーダから学習した潜時空間の増大を利用する。 グラフレベルとノードレベルの両方のタスクに対する実験結果から,提案手法が最先端の性能を実現することを示す。
  論文  参考訳（メタデータ） (2022-11-07T17:34:07Z)
• Graph Structure Learning with Variational Information Bottleneck [70.62851953251253]
  本稿では,新しい変分情報ボトルネックガイド付きグラフ構造学習フレームワーク,すなわちVIB-GSLを提案する。 VIB-GSLは情報的かつ圧縮的なグラフ構造を学習し、特定の下流タスクに対して実行可能な情報を蒸留する。
  論文  参考訳（メタデータ） (2021-12-16T14:22:13Z)
• Recognizing Predictive Substructures with Subgraph Information Bottleneck [97.19131149357234]
  IB-subgraph というサブグラフを認識するための新しいサブグラフ情報ボトルネック(SIB)フレームワークを提案する。 相互情報の抽出性とグラフデータの離散的性質は、SIBの目的を最適化することが難しいことで知られている。 グラフ学習と大規模ポイントクラウドタスクの実験は、ib-subgraphの優れた特性を示している。
  論文  参考訳（メタデータ） (2021-03-20T11:19:43Z)
• Graph Information Bottleneck for Subgraph Recognition [103.37499715761784]
  本稿では,深層グラフ学習における部分グラフ認識問題に対するグラフ情報ブートネック(GIB)の枠組みを提案する。 この枠組みの下では、最大情報でありながら圧縮的な部分グラフ(IB-subgraph)を認識できる。 IB-サブグラフの特性を3つのアプリケーションシナリオで評価する。
  論文  参考訳（メタデータ） (2020-10-12T09:32:20Z)
• Unsupervised Graph Embedding via Adaptive Graph Learning [85.28555417981063]
  グラフオートエンコーダ(GAE)は、グラフ埋め込みのための表現学習において強力なツールである。 本稿では,2つの新しい教師なしグラフ埋め込み法,適応グラフ学習(BAGE)による教師なしグラフ埋め込み,変分適応グラフ学習(VBAGE)による教師なしグラフ埋め込みを提案する。 いくつかのデータセットに関する実験的研究により、我々の手法がノードクラスタリング、ノード分類、グラフ可視化タスクにおいて、ベースラインよりも優れていることが実証された。
  論文  参考訳（メタデータ） (2020-03-10T02:33:14Z)

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。