論文の概要: Graph Decipher: A transparent dual-attention graph neural network to
understand the message-passing mechanism for the node classification
- arxiv url: http://arxiv.org/abs/2201.01381v1
- Date: Tue, 4 Jan 2022 23:24:00 GMT
- ステータス: 処理完了
- システム内更新日: 2022-01-06 19:16:17.447489
- Title: Graph Decipher: A transparent dual-attention graph neural network to
understand the message-passing mechanism for the node classification
- Title（参考訳）: Graph Decipher: ノード分類のためのメッセージパッシング機構を理解するための透過的なデュアルアテンショングラフニューラルネットワーク
- Authors: Yan Pang, Chao Liu
- Abstract要約: 本稿では,メッセージパッシング機構を調べるために,Graph Decipherと呼ばれる新しい透過型ネットワークを提案する。
本アルゴリズムは,ノード分類タスクの負荷を大幅に低減しつつ,最先端の性能を実現する。
- 参考スコア（独自算出の注目度）: 2.0047096160313456
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Graph neural networks can be effectively applied to find solutions for many
real-world problems across widely diverse fields. The success of graph neural
networks is linked to the message-passing mechanism on the graph, however, the
message-aggregating behavior is still not entirely clear in most algorithms. To
improve functionality, we propose a new transparent network called Graph
Decipher to investigate the message-passing mechanism by prioritizing in two
main components: the graph structure and node attributes, at the graph,
feature, and global levels on a graph under the node classification task.
However, the computation burden now becomes the most significant issue because
the relevance of both graph structure and node attributes are computed on a
graph. In order to solve this issue, only relevant representative node
attributes are extracted by graph feature filters, allowing calculations to be
performed in a category-oriented manner. Experiments on seven datasets show
that Graph Decipher achieves state-of-the-art performance while imposing a
substantially lower computation burden under the node classification task.
Additionally, since our algorithm has the ability to explore the representative
node attributes by category, it is utilized to alleviate the imbalanced node
classification problem on multi-class graph datasets.
- Abstract（参考訳）: グラフニューラルネットワークは、幅広い分野にわたる現実世界の多くの問題の解を見つけるために効果的に適用することができる。
グラフニューラルネットワークの成功は、グラフ上のメッセージパッシング機構と結びついているが、ほとんどのアルゴリズムでは、メッセージ集約の振る舞いは完全には明確ではない。
グラフ構造とノード属性,グラフ,特徴量,グローバルレベルという2つの主成分をノード分類タスクで優先順位付けすることにより,メッセージパッシング機構を調査するための,graph decipherと呼ばれる新しい透過ネットワークを提案する。
しかし、グラフ構造とノード属性の関連性がグラフ上で計算されるため、計算の負担が最も重要な問題となっている。
この問題を解決するために、関連する代表ノード属性のみをグラフ特徴フィルタによって抽出し、計算をカテゴリ指向で行えるようにする。
7つのデータセットに関する実験は、グラフ解読が最先端のパフォーマンスを達成し、ノード分類タスク下では計算負荷が大幅に低減することを示している。
さらに,本アルゴリズムは,カテゴリ別に代表ノード属性を探索できるので,マルチクラスグラフデータセット上での不均衡ノード分類問題を緩和するために利用される。
関連論文リスト
- Saliency-Aware Regularized Graph Neural Network [39.82009838086267]
グラフ分類のためのSAR-GNN(Saliency-Aware Regularized Graph Neural Network)を提案する。
まず,コンパクトなグラフ表現とノード特徴とのセマンティックな類似性を測定することで,グローバルノードの正当性を推定する。
そして、学習した塩分濃度分布を利用して、背骨の近傍集合を規則化する。
論文 参考訳（メタデータ） (2024-01-01T13:44:16Z) - 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) - Edge but not Least: Cross-View Graph Pooling [76.71497833616024]
本稿では,重要なグラフ構造情報を活用するために,クロスビューグラフプーリング(Co-Pooling)手法を提案する。
クロスビュー相互作用、エッジビュープーリング、ノードビュープーリングにより、相互にシームレスに強化され、より情報的なグラフレベルの表現が学習される。
論文 参考訳（メタデータ） (2021-09-24T08:01:23Z) - Accurate Learning of Graph Representations with Graph Multiset Pooling [45.72542969364438]
本稿では,その構造的依存関係に応じてノード間の相互作用をキャプチャするグラフマルチセットトランス (GMT) を提案する。
実験の結果,GMTはグラフ分類ベンチマークにおいて,最先端のグラフプーリング法を著しく上回っていることがわかった。
論文 参考訳（メタデータ） (2021-02-23T07:45:58Z) - Co-embedding of Nodes and Edges with Graph Neural Networks [13.020745622327894]
グラフ埋め込みは、高次元および非ユークリッド特徴空間でデータ構造を変換しエンコードする方法である。
CensNetは一般的なグラフ埋め込みフレームワークで、ノードとエッジの両方を潜在機能空間に埋め込む。
提案手法は,4つのグラフ学習課題における最先端のパフォーマンスを達成または一致させる。
論文 参考訳（メタデータ） (2020-10-25T22:39:31Z) - 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) - Robust Hierarchical Graph Classification with Subgraph Attention [18.7475578342125]
本稿では,グラフに対するサブグラフアテンションの概念を紹介する。
本稿では,SubGattPoolというグラフ分類アルゴリズムを提案する。
SubGattPoolは、最先端のグラフ分類データセットを改善することができるか、あるいは、複数の公開グラフ分類データセットで競争力を維持することができることを示す。
論文 参考訳（メタデータ） (2020-07-19T10:03:06Z) - Towards Deeper Graph Neural Networks [63.46470695525957]
グラフ畳み込みは近傍の集約を行い、最も重要なグラフ操作の1つである。
いくつかの最近の研究で、この性能劣化は過度に滑らかな問題に起因している。
本研究では,大きな受容領域からの情報を適応的に組み込むディープ適応グラフニューラルネットワーク(DAGNN)を提案する。
論文 参考訳（メタデータ） (2020-07-18T01:11:14Z) - 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) - Structure-Feature based Graph Self-adaptive Pooling [65.4188800835203]
グラフデータを扱うための新しいグラフ自己適応プーリング法を提案する。
本手法は, グラフ分類において有効であり, 最先端のグラフプーリング法より優れている。
論文 参考訳（メタデータ） (2020-01-30T13:58:49Z)
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。