論文の概要: Quasi-Framelets: Another Improvement to GraphNeural Networks
- arxiv url: http://arxiv.org/abs/2201.04728v1
- Date: Tue, 11 Jan 2022 00:10:28 GMT
- ステータス: 処理完了
- システム内更新日: 2022-01-15 05:30:00.355839
- Title: Quasi-Framelets: Another Improvement to GraphNeural Networks
- Title(参考訳): Quasi-Framelet: GraphNeural Networksのもうひとつの改善
- Authors: Mengxi Yang, Xuebin Zheng, Jie Yin and Junbin Gao
- Abstract要約: スペクトルグラフニューラルネットワーク(GNN)は、スペクトル領域に様々なスペクトルフィルタを提案し、グローバルグラフ構造情報とローカルグラフ構造情報の両方をキャプチャすることで、グラフ学習タスクのパフォーマンスを向上させる。
我々の新しいフレームレット畳み込みは、これらの制限を克服するためにスペクトル領域で直接設計されたフィルタファンクオプションを組み込んでいる。
提案した畳み込みはスペクトル情報の遮断に優れた柔軟性を示し,ノイズグラフ信号の負の効果を効果的に緩和する。
- 参考スコア(独自算出の注目度): 29.689868950666117
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This paper aims to provide a novel design of a multiscale framelets
convolution for spectral graph neural networks. In the spectral paradigm,
spectral GNNs improve graph learning task performance via proposing various
spectral filters in spectral domain to capture both global and local graph
structure information. Although the existing spectral approaches show superior
performance in some graphs, they suffer from lack of flexibility and being
fragile when graph information are incomplete or perturbated. Our new framelets
convolution incorporates the filtering func-tions directly designed in the
spectral domain to overcome these limitations. The proposed convolution shows a
great flexibility in cutting-off spectral information and effectively mitigate
the negative effect of noisy graph signals. Besides, to exploit the
heterogeneity in real-world graph data, the heterogeneous graph neural network
with our new framelet convolution provides a solution for embedding the
intrinsic topological information of meta-path with a multi-level graph
analysis.Extensive experiments have been conducted on real-world heterogeneous
graphs and homogeneous graphs under settings with noisy node features and
superior performance results are achieved.
- Abstract(参考訳): 本稿では,スペクトルグラフニューラルネットワークのためのマルチスケールフレームレット畳み込みの新しい設計を提案する。
スペクトルパラダイムでは、スペクトル領域に様々なスペクトルフィルタを提案し、グローバルグラフ構造情報とローカルグラフ構造情報の両方をキャプチャすることで、グラフ学習タスクの性能を向上させる。
既存のスペクトルアプローチは、いくつかのグラフでは優れた性能を示すが、柔軟性の欠如と、グラフ情報が不完全あるいは摂動的である場合に脆弱である。
新しいフレームレット畳み込みは、スペクトル領域で直接設計されたフィルタリングファンクメントを組み込んで、これらの制限を克服します。
提案した畳み込みはスペクトル情報の遮断に優れた柔軟性を示し,ノイズグラフ信号の負の効果を効果的に緩和する。
また、実世界のグラフデータの不均一性を利用するため、新しいフレームレット畳み込みを用いたヘテロジニアスグラフニューラルネットワークは、マルチレベルグラフ解析によりメタパスの固有トポロジ情報を埋め込むソリューションを提供する。
関連論文リスト
- HoloNets: Spectral Convolutions do extend to Directed Graphs [59.851175771106625]
従来の知恵は、スペクトル畳み込みネットワークは無向グラフ上にしか展開できないと規定している。
ここでは、このグラフフーリエ変換への伝統的な依存が超フルであることを示す。
本稿では,新たに開発されたフィルタの周波数応答解釈を行い,フィルタ表現に使用するベースの影響を調査し,ネットワークを基盤とする特性演算子との相互作用について議論する。
論文 参考訳(メタデータ) (2023-10-03T17:42:09Z) - Gradient Gating for Deep Multi-Rate Learning on Graphs [62.25886489571097]
グラフニューラルネットワーク(GNN)の性能向上のための新しいフレームワークであるグラディエントゲーティング(G$2$)を提案する。
我々のフレームワークは,GNN層の出力を,基盤となるグラフのノード間でのメッセージパッシング情報のマルチレートフローのメカニズムでゲーティングすることに基づいている。
論文 参考訳(メタデータ) (2022-10-02T13:19:48Z) - Learning Graph Structure from Convolutional Mixtures [119.45320143101381]
本稿では、観測されたグラフと潜伏グラフのグラフ畳み込み関係を提案し、グラフ学習タスクをネットワーク逆(デコンボリューション)問題として定式化する。
固有分解に基づくスペクトル法の代わりに、近似勾配反復をアンロール・トランケートして、グラフデコンボリューションネットワーク(GDN)と呼ばれるパラメータ化ニューラルネットワークアーキテクチャに到達させる。
GDNは、教師付き方式でグラフの分布を学習し、損失関数を適応させることでリンク予測やエッジウェイト回帰タスクを実行し、本質的に帰納的である。
論文 参考訳(メタデータ) (2022-05-19T14:08:15Z) - Spectral Graph Convolutional Networks With Lifting-based Adaptive Graph
Wavelets [81.63035727821145]
スペクトルグラフ畳み込みネットワーク(SGCN)はグラフ表現学習において注目を集めている。
本稿では,適応グラフウェーブレットを用いたグラフ畳み込みを実装した新しいスペクトルグラフ畳み込みネットワークを提案する。
論文 参考訳(メタデータ) (2021-08-03T17:57:53Z) - Spectral-Spatial Global Graph Reasoning for Hyperspectral Image
Classification [50.899576891296235]
畳み込みニューラルネットワークは、ハイパースペクトル画像分類に広く応用されている。
近年の手法は空間トポロジのグラフ畳み込みによってこの問題に対処しようとしている。
論文 参考訳(メタデータ) (2021-06-26T06:24:51Z) - An Experimental Study of the Transferability of Spectral Graph Networks [5.736353542430439]
スペクトルグラフ畳み込みネットワーク(spectral graph convolutional network)は、ラプラシアン作用素を用いたグラフ構造化データのための標準畳み込みネットワークの一般化である。
近年の研究では、グラフベンチマークによるスペクトルフィルタの安定性が証明されている。
論文 参考訳(メタデータ) (2020-12-18T14:15:07Z) - 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) - Bridging the Gap Between Spectral and Spatial Domains in Graph Neural
Networks [8.563354084119062]
空間領域やスペクトル領域におけるグラフ畳み込み過程の等価性を示す。
提案フレームワークは、空間領域に適用しながら、独自の周波数プロファイルを持つスペクトル領域の新しい畳み込みを設計するために使用される。
論文 参考訳(メタデータ) (2020-03-26T01:49:24Z)
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。