論文の概要: GPS: A Policy-driven Sampling Approach for Graph Representation Learning

• arxiv url: http://arxiv.org/abs/2112.14482v1
• Date: Wed, 29 Dec 2021 09:59:53 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-30 19:09:24.526947
• Title: GPS: A Policy-driven Sampling Approach for Graph Representation Learning
• Title（参考訳）: GPS:グラフ表現学習のためのポリシー駆動サンプリングアプローチ
• Authors: Tiehua Zhang, Yuze Liu, Xin Chen, Xiaowei Huang, Feng Zhu, Xi Zheng
• Abstract要約: 適応的グラフポリシー駆動サンプリングモデル (GPS) を提案し, 適応的相関計算により各ノードの影響を局所的に評価する。 提案モデルでは,いくつかの重要なベンチマークにおいて既存モデルよりも3%-8%向上し,実世界のデータセットで最先端のパフォーマンスを実現している。
• 参考スコア（独自算出の注目度）: 12.760239169374984
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graph representation learning has drawn increasing attention in recent years, especially for learning the low dimensional embedding at both node and graph level for classification and recommendations tasks. To enable learning the representation on the large-scale graph data in the real world, numerous research has focused on developing different sampling strategies to facilitate the training process. Herein, we propose an adaptive Graph Policy-driven Sampling model (GPS), where the influence of each node in the local neighborhood is realized through the adaptive correlation calculation. Specifically, the selections of the neighbors are guided by an adaptive policy algorithm, contributing directly to the message aggregation, node embedding updating, and graph level readout steps. We then conduct comprehensive experiments against baseline methods on graph classification tasks from various perspectives. Our proposed model outperforms the existing ones by 3%-8% on several vital benchmarks, achieving state-of-the-art performance in real-world datasets.
• Abstract（参考訳）: グラフ表現学習は近年注目を集めており、特に分類とレコメンデーションタスクのためのノードレベルとグラフレベルの低次元埋め込みを学習している。 実世界における大規模グラフデータの表現を学習するために、多くの研究がトレーニングプロセスを容易にする様々なサンプリング戦略の開発に重点を置いている。 本稿では,適応相関計算によって局所近傍の各ノードの影響を実現した適応グラフポリシー駆動サンプリングモデル(gps)を提案する。 具体的には、隣人の選択は適応ポリシーアルゴリズムによって誘導され、メッセージアグリゲーション、ノード埋め込み更新、グラフレベルの読み込みステップに直接寄与する。 次に,様々な観点から,グラフ分類タスクのベースライン手法に対する総合的な実験を行う。 提案モデルは,既存のベンチマークを3%～8%上回って,実世界のデータセットで最先端のパフォーマンスを実現している。

関連論文リスト

• Graph Learning under Distribution Shifts: A Comprehensive Survey on Domain Adaptation, Out-of-distribution, and Continual Learning [53.81365215811222]
  グラフ学習の文脈における分布変化に対処する最新のアプローチ、戦略、洞察のレビューと要約を提供する。 既存のグラフ学習手法を,グラフ領域適応学習,グラフ配布学習,グラフ連続学習など,いくつかの重要なシナリオに分類する。 本稿では,この領域における現状を体系的に分析し,分散シフト下でのグラフ学習の可能性と今後の方向性について論じる。
  論文  参考訳（メタデータ） (2024-02-26T07:52:40Z)
• Universal Graph Continual Learning [22.010954622073598]
  タスクの各データポイントがノードかグラフになり得る普遍的なアプローチに注目し、タスクはノードからグラフの分類まで様々である。 本稿では,この普遍的な設定において,グラフニューラルネットワークが優れる新しい手法を提案する。
  論文  参考訳（メタデータ） (2023-08-27T01:19:19Z)
• Deep learning for dynamic graphs: models and benchmarks [16.851689741256912]
  近年,Deep Graph Networks (DGNs) の研究が進展し,グラフ上の学習領域が成熟した。 この研究分野の成長にもかかわらず、まだ解決されていない重要な課題がまだ残っている。
  論文  参考訳（メタデータ） (2023-07-12T12:02:36Z)
• Bures-Wasserstein Means of Graphs [60.42414991820453]
  本研究では,スムーズなグラフ信号分布の空間への埋め込みを通じて,グラフ平均を定義する新しいフレームワークを提案する。 この埋め込み空間において平均を求めることにより、構造情報を保存する平均グラフを復元することができる。 我々は,新しいグラフの意味の存在と特異性を確立し,それを計算するための反復アルゴリズムを提供する。
  論文  参考訳（メタデータ） (2023-05-31T11:04:53Z)
• Optimal Propagation for Graph Neural Networks [51.08426265813481]
  最適グラフ構造を学習するための二段階最適化手法を提案する。 また、時間的複雑さをさらに軽減するために、低ランク近似モデルについても検討する。
  論文  参考訳（メタデータ） (2022-05-06T03:37:00Z)
• A Comprehensive Analytical Survey on Unsupervised and Semi-Supervised Graph Representation Learning Methods [4.486285347896372]
  本調査は,グラフ埋め込み手法のすべての主要なクラスを評価することを目的としている。 我々は,手動の特徴工学,行列分解,浅部ニューラルネットワーク,深部グラフ畳み込みネットワークなどの手法を含む分類学を用いてグラフ埋め込み手法を編成した。 我々はPyTorch GeometricおよびDGLライブラリ上で実験を設計し、異なるマルチコアCPUおよびGPUプラットフォーム上で実験を行った。
  論文  参考訳（メタデータ） (2021-12-20T07:50:26Z)
• Towards Graph Self-Supervised Learning with Contrastive Adjusted Zooming [48.99614465020678]
  本稿では,グラフコントラスト適応ズームによる自己教師付きグラフ表現学習アルゴリズムを提案する。 このメカニズムにより、G-Zoomはグラフから複数のスケールから自己超越信号を探索して抽出することができる。 我々は,実世界のデータセットに関する広範な実験を行い,提案したモデルが常に最先端の手法より優れていることを示す。
  論文  参考訳（メタデータ） (2021-11-20T22:45:53Z)
• Dynamic Graph Modeling of Simultaneous EEG and Eye-tracking Data for Reading Task Identification [79.41619843969347]
  我々は、脳波(EEG)と眼球運動(EM)データからヒトの読取意図を特定するための新しいアプローチAdaGTCNを提案する。 本稿では,AdaGTCN(Adaptive Graph Temporal Convolution Network)の手法として,Adaptive Graph Learning LayerとDeep Neighborhood Graph Convolution Layerを用いた。 このアプローチといくつかのベースラインを比較し、ZuCo 2.0データセットの6.29%の改善と広範なアブレーション実験を報告します。
  論文  参考訳（メタデータ） (2021-02-21T18:19:49Z)
• Model-Agnostic Graph Regularization for Few-Shot Learning [60.64531995451357]
  グラフ組み込み数ショット学習に関する包括的な研究を紹介します。 本稿では,ラベル間のグラフ情報の組み込みによる影響をより深く理解できるグラフ正規化手法を提案する。 提案手法は,Mini-ImageNetで最大2%,ImageNet-FSで6.7%の性能向上を実現する。
  論文  参考訳（メタデータ） (2021-02-14T05:28:13Z)
• Quantifying Challenges in the Application of Graph Representation Learning [0.0]
  私たちは、一般的な埋め込みアプローチのセットに対して、アプリケーション指向の視点を提供します。 実世界のグラフ特性に関する表現力を評価する。 GRLアプローチは現実のシナリオでは定義が困難であることが示唆された。
  論文  参考訳（メタデータ） (2020-06-18T03:19:43Z)

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。