論文の概要: GraphTune: A Learning-based Graph Generative Model with Tunable Structural Features

• arxiv url: http://arxiv.org/abs/2201.11494v1
• Date: Thu, 27 Jan 2022 13:14:53 GMT
• ステータス: 処理完了
• システム内更新日: 2022-01-28 15:38:32.778850
• Title: GraphTune: A Learning-based Graph Generative Model with Tunable Structural Features
• Title（参考訳）: GraphTune: 可変構造を持つ学習ベースのグラフ生成モデル
• Authors: Shohei Nakazawa, Yoshiki Sato, Sho Tsugawa, Kenji Nakagawa, Kohei Watabe
• Abstract要約: 本研究では,グローバルな構造的特徴の値を条件として調整できる生成モデルを提案する。 GraphTuneと呼ばれる私たちのモデルは、生成されたグラフの構造的特徴の値を調整できます。
• 参考スコア（独自算出の注目度）: 3.3248768737711045
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Generative models for graphs have been actively studied for decades, and they have a wide range of applications. Recently, learning-based graph generation that reproduces real-world graphs has gradually attracted the attention of many researchers. Several generative models that utilize modern machine learning technologies have been proposed, though a conditional generation of general graphs is less explored in the field. In this paper, we propose a generative model that allows us to tune a value of a global-level structural feature as a condition. Our model called GraphTune enables to tune a value of any structural feature of generated graphs using Long Short Term Memory (LSTM) and Conditional Variational AutoEncoder (CVAE). We performed comparative evaluations of GraphTune and conventional models with a real graph dataset. The evaluations show that GraphTune enables to clearly tune a value of a global-level structural feature compared to the conventional models.
• Abstract（参考訳）: グラフ生成モデルは数十年にわたって活発に研究されており、幅広い応用例がある。 近年,実世界のグラフを再現する学習に基づくグラフ生成が,多くの研究者の注目を集めている。 現代の機械学習技術を利用したいくつかの生成モデルが提案されているが、一般グラフの条件付き生成はこの分野では研究されていない。 本稿では,グローバルレベルの構造特徴の値を条件としてチューニング可能な生成モデルを提案する。 GraphTuneと呼ばれるモデルにより、Long Short Term Memory (LSTM) と Conditional Variational AutoEncoder (CVAE) を用いて、生成されたグラフの構造的特徴の値を調整できます。 実グラフデータセットを用いてグラフチューンと従来のモデルの比較評価を行った。 評価の結果、GraphTuneは従来のモデルと比較して、グローバルレベルの構造的特徴の値をはっきりと調整できることがわかった。

関連論文リスト

• GraphRCG: Self-Conditioned Graph Generation [78.69810678803248]
  本稿では,グラフ分布を明示的にモデル化する自己条件付きグラフ生成フレームワークを提案する。 本フレームワークは, 既存のグラフ生成手法に比べて, 学習データに対するグラフ品質と忠実度において優れた性能を示す。
  論文  参考訳（メタデータ） (2024-03-02T02:28:20Z)
• GraphMaker: Can Diffusion Models Generate Large Attributed Graphs? [7.330479039715941]
  ノード属性を持つ大規模グラフは、様々な現実世界のアプリケーションでますます一般的になっている。 従来のグラフ生成法は、これらの複雑な構造を扱う能力に制限がある。 本稿では,大きな属性グラフを生成するために特別に設計された新しい拡散モデルであるGraphMakerを紹介する。
  論文  参考訳（メタデータ） (2023-10-20T22:12:46Z)
• An Accurate Graph Generative Model with Tunable Features [0.8192907805418583]
  本稿では,グラフ特徴の誤りを返送する機構を新たに追加することで,GraphTuneの精度を向上させる手法を提案する。 実世界のグラフデータセットを用いて実験したところ、生成されたグラフの特徴は従来のモデルと比較して正確に調整されていることがわかった。
  論文  参考訳（メタデータ） (2023-09-03T12:34:15Z)
• GraphGLOW: Universal and Generalizable Structure Learning for Graph Neural Networks [72.01829954658889]
  本稿では,この新たな問題設定の数学的定義を紹介する。 一つのグラフ共有構造学習者と複数のグラフ固有GNNを協調する一般的なフレームワークを考案する。 十分に訓練された構造学習者は、微調整なしで、目に見えない対象グラフの適応的な構造を直接生成することができる。
  論文  参考訳（メタデータ） (2023-06-20T03:33:22Z)
• SCGG: A Deep Structure-Conditioned Graph Generative Model [9.046174529859524]
  SCGGと呼ばれる条件付きディープグラフ生成法は、特定のタイプの構造条件を考える。 SCGGのアーキテクチャは、グラフ表現学習ネットワークと、エンドツーエンドで訓練された自己回帰生成モデルで構成されている。 合成と実世界の両方のデータセットに対する実験結果は,最先端のベースラインと比較して,本手法の優位性を示している。
  論文  参考訳（メタデータ） (2022-09-20T12:33:50Z)
• Graph Generative Model for Benchmarking Graph Neural Networks [73.11514658000547]
  本稿では,プライバシ制御により実世界のグラフの分布を学習し,再現する新しいグラフ生成モデルを提案する。 我々のモデルは、GNNモデルのベンチマークに効果的に使用できる大規模な実世界のグラフの、プライバシ制御された合成代用をうまく生成することができる。
  論文  参考訳（メタデータ） (2022-07-10T06:42:02Z)
• CCGG: A Deep Autoregressive Model for Class-Conditional Graph Generation [7.37333913697359]
  所望の機能を持つグラフを生成するために,クラス条件付きグラフ生成器(CCGG)を導入する。 CCGGは、様々なデータセット上で既存の条件付きグラフ生成方法より優れている。 また、分散ベースの評価指標の観点から、生成したグラフの品質も維持する。
  論文  参考訳（メタデータ） (2021-10-07T21:24:07Z)
• Learning Graphon Autoencoders for Generative Graph Modeling [91.32624399902755]
  Graphonは任意のサイズでグラフを生成する非パラメトリックモデルであり、グラフから簡単に誘導できる。 解析可能でスケーラブルなグラフ生成モデルを構築するために,textitgraphon autoencoder という新しいフレームワークを提案する。 線形グルーポン分解モデルはデコーダとして機能し、潜在表現を活用して誘導されたグルーポンを再構成する。
  論文  参考訳（メタデータ） (2021-05-29T08:11:40Z)
• A Tunable Model for Graph Generation Using LSTM and Conditional VAE [1.399948157377307]
  データからグラフの構造的特徴を学習しながら、特定の特徴をチューニングできる生成モデルを提案する。 モデルによって生成される様々な特徴を持つグラフのデータセットを用いて、我々のモデルが特定の特徴を持つグラフを生成できることを確認する。
  論文  参考訳（メタデータ） (2021-04-15T06:47:14Z)
• Dirichlet Graph Variational Autoencoder [65.94744123832338]
  本稿では,グラフクラスタメンバシップを潜在因子とするDGVAE(Dirichlet Graph Variational Autoencoder)を提案する。 バランスグラフカットにおける低パス特性により、入力グラフをクラスタメンバシップにエンコードする、Heattsと呼ばれるGNNの新しい変種を提案する。
  論文  参考訳（メタデータ） (2020-10-09T07:35:26Z)
• Adaptive Graph Auto-Encoder for General Data Clustering [90.8576971748142]
  グラフベースのクラスタリングは、クラスタリング領域において重要な役割を果たす。 グラフ畳み込みニューラルネットワークに関する最近の研究は、グラフ型データにおいて驚くべき成功を収めている。 本稿では,グラフの生成的視点に応じて適応的にグラフを構成する汎用データクラスタリングのためのグラフ自動エンコーダを提案する。
  論文  参考訳（メタデータ） (2020-02-20T10:11:28Z)

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。