論文の概要: Automated Graph Machine Learning: Approaches, Libraries and Directions
- arxiv url: http://arxiv.org/abs/2201.01288v1
- Date: Tue, 4 Jan 2022 18:31:31 GMT
- ステータス: 処理完了
- システム内更新日: 2022-01-05 13:40:56.358561
- Title: Automated Graph Machine Learning: Approaches, Libraries and Directions
- Title（参考訳）: グラフ機械学習の自動化 - アプローチ、ライブラリ、方向性
- Authors: Xin Wang, Ziwei Zhang and Wenwu Zhu
- Abstract要約: 我々は、グラフ機械学習のためのHPOとNASをカバーする自動グラフマシンアプローチについて論じる。
当社の専用かつ世界初のグラフ機械学習のためのオープンソースライブラリであるAutoGLを紹介します。
本論文は,自動グラフ機械学習のためのアプローチ,ライブラリ,方向性に関する,最初の体系的かつ包括的な議論である。
- 参考スコア（独自算出の注目度）: 81.21692888288658
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Graph machine learning has been extensively studied in both academic and
industry. However, as the literature on graph learning booms with a vast number
of emerging methods and techniques, it becomes increasingly difficult to
manually design the optimal machine learning algorithm for different
graph-related tasks. To tackle the challenge, automated graph machine learning,
which aims at discovering the best hyper-parameter and neural architecture
configuration for different graph tasks/data without manual design, is gaining
an increasing number of attentions from the research community. In this paper,
we extensively discuss automated graph machine approaches, covering
hyper-parameter optimization (HPO) and neural architecture search (NAS) for
graph machine learning. We briefly overview existing libraries designed for
either graph machine learning or automated machine learning respectively, and
further in depth introduce AutoGL, our dedicated and the world's first
open-source library for automated graph machine learning. Last but not least,
we share our insights on future research directions for automated graph machine
learning. This paper is the first systematic and comprehensive discussion of
approaches, libraries as well as directions for automated graph machine
learning.
- Abstract（参考訳）: グラフ機械学習は学術と産業の両方で広く研究されている。
しかし、グラフ学習に関する文献が多くの新しい手法や技術と共にブームとなり、異なるグラフ関連タスクに対して最適な機械学習アルゴリズムを手動で設計することはますます困難になっている。
この課題に取り組むために、手動設計なしで異なるグラフタスク/データに対して最適なハイパーパラメータとニューラルネットワークアーキテクチャの設定を見つけることを目的とした自動グラフ機械学習が、研究コミュニティから注目を集めている。
本稿では,グラフ機械学習のためのハイパーパラメータ最適化 (HPO) とニューラルアーキテクチャ探索 (NAS) を網羅する,グラフマシンの自動手法について論じる。
グラフ機械学習と自動機械学習の両方用に設計された既存のライブラリを簡単に概説し、さらに深く、私たちの専用で世界初のグラフ機械学習自動化のためのオープンソースライブラリであるautoglを紹介します。
最後に、私たちは自動グラフ機械学習の今後の研究方向に関する洞察を共有しています。
本論文は,自動グラフ機械学習のためのアプローチ,ライブラリ,方向性に関する,最初の体系的かつ包括的な議論である。
関連論文リスト
- Graph learning in robotics: a survey [2.5726566614123874]
この記事では、アーキテクチャ、トレーニング手順、アプリケーションなど、グラフベースのモデルの基礎について述べる。
また、適用された設定で発生する最近の進歩と課題についても論じている。
本論文は,グラフ構造学習の恩恵を受ける様々なロボット応用の広範なレビューを提供する。
論文 参考訳（メタデータ） (2023-10-06T14:52:25Z) - Curriculum Graph Machine Learning: A Survey [51.89783017927647]
カリキュラムグラフ機械学習(Graph CL)は、グラフ機械学習とカリキュラム学習の強みを統合する。
本稿では,グラフCLのアプローチを概観し,最近の研究動向を概観する。
論文 参考訳（メタデータ） (2023-02-06T16:59:25Z) - State of the Art and Potentialities of Graph-level Learning [54.68482109186052]
グラフレベルの学習は、比較、回帰、分類など、多くのタスクに適用されている。
グラフの集合を学習する伝統的なアプローチは、サブストラクチャのような手作りの特徴に依存している。
ディープラーニングは、機能を自動的に抽出し、グラフを低次元表現に符号化することで、グラフレベルの学習をグラフの規模に適応させるのに役立っている。
論文 参考訳（メタデータ） (2023-01-14T09:15:49Z) - OG-SGG: Ontology-Guided Scene Graph Generation. A Case Study in Transfer
Learning for Telepresence Robotics [124.08684545010664]
画像からのシーングラフ生成は、ロボット工学のようなアプリケーションに非常に関心を持つタスクである。
オントロジー誘導シーングラフ生成(OG-SGG)と呼ばれるフレームワークの初期近似を提案する。
論文 参考訳（メタデータ） (2022-02-21T13:23:15Z) - Graph Learning: A Survey [38.245120261668816]
本稿では,グラフ学習の現状について概観する。
グラフ信号処理,行列分解,ランダムウォーク,ディープラーニングなど,既存のグラフ学習手法の4つのカテゴリに特に注目されている。
テキスト,画像,科学,知識グラフ,最適化といった分野におけるグラフ学習アプリケーションについて検討する。
論文 参考訳（メタデータ） (2021-05-03T09:06:01Z) - AutoGL: A Library for Automated Graph Learning [67.63587865669372]
グラフ上での機械学習を自動化するための,最初の専用ライブラリであるAutomated Graph Learning(AutoGL)を紹介する。
AutoGLはオープンソースで、使いやすく、拡張も柔軟です。
また、パイプラインのカスタマイズとアプリケーションの強化を容易にする、AutoGLの軽量バージョンであるAutoGL-lightも紹介します。
論文 参考訳（メタデータ） (2021-04-11T10:49:23Z) - Automated Machine Learning on Graphs: A Survey [81.21692888288658]
本稿では,グラフ上の自動機械学習の体系的かつ包括的レビューを行う。
グラフ機械学習のためのハイパーパラメータ最適化(HPO)とニューラルアーキテクチャ探索(NAS)に注目した。
最後に、自動化グラフ機械学習の今後の研究方向に関する洞察を共有します。
論文 参考訳（メタデータ） (2021-03-01T04:20:33Z)
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。