論文の概要: Block Modeling-Guided Graph Convolutional Neural Networks

• arxiv url: http://arxiv.org/abs/2112.13507v2
• Date: Tue, 28 Dec 2021 02:27:29 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-30 13:17:46.535184
• Title: Block Modeling-Guided Graph Convolutional Neural Networks
• Title（参考訳）: ブロックモデリング誘導グラフ畳み込みニューラルネットワーク
• Authors: Dongxiao He and Chundong Liang and Huixin Liu and Mingxiang Wen and Pengfei Jiao and Zhiyong Feng
• Abstract要約: グラフ畳み込みネットワーク(GCN)はグラフ表現を探索する著しい可能性を示している。 GCNのフレームワークにブロックモデリングを導入し、"ブロック誘導型分類アグリゲーション"を実現する。 GCNは、そのホモフィリー次数に応じて、同好および異好の隣人からの情報を識別的に収集することができる。
• 参考スコア（独自算出の注目度）: 17.39859951491802
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graph Convolutional Network (GCN) has shown remarkable potential of exploring graph representation. However, the GCN aggregating mechanism fails to generalize to networks with heterophily where most nodes have neighbors from different classes, which commonly exists in real-world networks. In order to make the propagation and aggregation mechanism of GCN suitable for both homophily and heterophily (or even their mixture), we introduce block modeling into the framework of GCN so that it can realize "block-guided classified aggregation", and automatically learn the corresponding aggregation rules for neighbors of different classes. By incorporating block modeling into the aggregation process, GCN is able to aggregate information from homophilic and heterophilic neighbors discriminately according to their homophily degree. We compared our algorithm with state-of-art methods which deal with the heterophily problem. Empirical results demonstrate the superiority of our new approach over existing methods in heterophilic datasets while maintaining a competitive performance in homophilic datasets.
• Abstract（参考訳）: グラフ畳み込みネットワーク(GCN)はグラフ表現を探索する著しい可能性を示している。 しかし、GCN集約機構は、現実世界のネットワークに一般的に存在する多くのノードが異なるクラスから隣接しているヘテロフィリーのネットワークに一般化できない。 gcnの伝播・凝集機構をホモフィアとヘテロフィアリー(またはそれらの混合物)の両方に適合させるため、gcnのフレームワークにブロックモデリングを導入し、「ブロック誘導された機密集約」を実現し、異なるクラスの近隣のアグリゲーションルールを自動的に学習する。 ブロックモデリングを集約プロセスに組み込むことにより、gcnはホモフィリシー度に応じてホモ親和性およびヘテロ親和性の隣人からの情報を識別的に集約することができる。 我々はこのアルゴリズムを異種問題を扱う最先端手法と比較した。 実験により,同好性データセットにおける競合性能を維持しつつ,異好性データセットにおける既存手法に対する新たなアプローチの優位性を実証した。

関連論文リスト

• Refining Latent Homophilic Structures over Heterophilic Graphs for Robust Graph Convolution Networks [23.61142321685077]
  グラフ畳み込みネットワーク(GCN)は、空間データから知識を抽出するために様々なグラフタスクで広く利用されている。 本研究は,ノード分類のための全表現不均一グラフ上のGCNロバスト性について定量的に検討する先駆的な試みである。 ヘテロ親和性グラフ上の潜在ホモ親和性構造を自動的に学習し,GCNを硬化させる新しい手法を提案する。
  論文  参考訳（メタデータ） (2023-12-27T05:35:14Z)
• Histopathology Whole Slide Image Analysis with Heterogeneous Graph Representation Learning [78.49090351193269]
  本稿では,WSI分析のために,異なる種類の核間の相互関係を利用する新しいグラフベースのフレームワークを提案する。 具体的には、WSI を各ノードに "nucleus-type" 属性と各エッジに類似した意味属性を持つ異種グラフとして定式化する。 我々のフレームワークは、様々なタスクに対してかなりのマージンで最先端の手法より優れています。
  論文  参考訳（メタデータ） (2023-07-09T14:43:40Z)
• HomoGCL: Rethinking Homophily in Graph Contrastive Learning [64.85392028383164]
  HomoGCL はモデルに依存しないフレームワークで、近隣のノードに固有の意味を持つ正の集合を拡大する。 我々は、HomoGCLが6つの公開データセットにまたがって複数の最先端結果をもたらすことを示す。
  論文  参考訳（メタデータ） (2023-06-16T04:06:52Z)
• Heterophily-Aware Graph Attention Network [42.640057865981156]
  グラフニューラルネットワーク(GNN)はグラフ表現学習において顕著な成功を収めている。 既存のヘテロフィル性GNNは、各エッジのヘテロフィリのモデリングを無視する傾向にあり、これはヘテロフィリ問題に取り組む上でも不可欠である。 本稿では,局所分布を基礎となるヘテロフィリーとして完全に探索し,活用することで,新たなヘテロフィア対応グラフ注意ネットワーク(HA-GAT)を提案する。
  論文  参考訳（メタデータ） (2023-02-07T03:21:55Z)
• RAW-GNN: RAndom Walk Aggregation based Graph Neural Network [48.139599737263445]
  本稿では,新しいアグリゲーション機構を導入し,RAndom Walk Aggregation-based Graph Neural Network(RAW-GNN)法を提案する。 提案手法は,広義のランダムウォークサーチを用いて,ホモフィリー情報と深さ優先の探索を行い,ヘテロフィリー情報を収集する。 従来の地区をパスベースの地区に置き換え、リカレントニューラルネットワークに基づく新しい経路ベースのアグリゲータを導入する。
  論文  参考訳（メタデータ） (2022-06-28T12:19:01Z)
• Heterogeneous Graph Neural Networks using Self-supervised Reciprocally Contrastive Learning [102.9138736545956]
  不均一グラフニューラルネットワーク(HGNN)は異種グラフのモデリングと解析において非常に一般的な手法である。 我々は,ノード属性とグラフトポロジの各ガイダンスに関する2つの視点を取り入れた,新規で頑健なヘテロジニアスグラフコントラスト学習手法であるHGCLを初めて開発する。 この新しいアプローチでは,属性とトポロジに関連情報を別々にマイニングする手法として,異なるが最も適した属性とトポロジの融合機構を2つの視点に適用する。
  論文  参考訳（メタデータ） (2022-04-30T12:57:02Z)
• Powerful Graph Convolutioal Networks with Adaptive Propagation Mechanism for Homophily and Heterophily [38.50800951799888]
  グラフ畳み込みネットワーク(GCN)は、グラフ構造化データ処理において大きな影響力を持つため、様々な分野に広く応用されている。 既存の方法は、主に高次近傍を集約したり、即時表現を結合することでヘテロフィリーを扱う。 本稿では, ホモフィリーやヘテロフィリーに応じて自動的に伝播・凝集過程を変更できる新しい伝播機構を提案する。
  論文  参考訳（メタデータ） (2021-12-27T08:19:23Z)
• Attention-driven Graph Clustering Network [49.040136530379094]
  我々は、注意駆動グラフクラスタリングネットワーク(AGCN)という新しいディープクラスタリング手法を提案する。 AGCNは、ノード属性特徴とトポロジグラフ特徴を動的に融合するために、不均一な融合モジュールを利用する。 AGCNは、教師なしの方法で特徴学習とクラスタ割り当てを共同で行うことができる。
  論文  参考訳（メタデータ） (2021-08-12T02:30:38Z)
• Graph Neural Networks with Heterophily [40.23690407583509]
  我々は、ホモフィリーなグラフとヘテロフィリーなグラフのGNNを一般化するCPGNNと呼ばれる新しいフレームワークを提案する。 フレームワークの互換性行列を(純粋なホモフィリーを表す)同一性に置き換えると、GCNに還元されることを示す。
  論文  参考訳（メタデータ） (2020-09-28T18:29:36Z)
• Heterogeneous Graph Transformer [49.675064816860505]
  Webスケールの不均一グラフモデリングのための不均一グラフ変換器(HGT)アーキテクチャ 動的ヘテロジニアスグラフを扱うために、HGTに相対時間符号化手法を導入する。 Web スケールのグラフデータを扱うため,ヘテロジニアスなミニバッチグラフサンプリングアルゴリズム--HGSampling--を設計し,効率的かつスケーラブルなトレーニングを行う。
  論文  参考訳（メタデータ） (2020-03-03T04:49:21Z)

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。