論文の概要: Deep Generative Model for Periodic Graphs

• arxiv url: http://arxiv.org/abs/2201.11932v1
• Date: Fri, 28 Jan 2022 04:56:28 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-01 04:51:27.253658
• Title: Deep Generative Model for Periodic Graphs
• Title（参考訳）: 周期グラフの深い生成モデル
• Authors: Shiyu Wang, Xiaojie Guo, Liang Zhao
• Abstract要約: 深層生成モデルは、一般的なグラフを自動生成する大きな可能性を示してきた。 本稿では,局所グラフパターンとグローバルグラフパターンを自動学習し,分解し,生成するための周期グラフ分散変分自動エンコーダ(PGD-VAE)を提案する。
• 参考スコア（独自算出の注目度）: 14.457316093814516
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Periodic graphs are graphs consisting of repetitive local structures, such as crystal nets and polygon mesh. Their generative modeling has great potential in real-world applications such as material design and graphics synthesis. Classical models either rely on domain-specific predefined generation principles (e.g., in crystal net design), or follow geometry-based prescribed rules. Recently, deep generative models has shown great promise in automatically generating general graphs. However, their advancement into periodic graphs have not been well explored due to several key challenges in 1) maintaining graph periodicity; 2) disentangling local and global patterns; and 3) efficiency in learning repetitive patterns. To address them, this paper proposes Periodical-Graph Disentangled Variational Auto-encoder (PGD-VAE), a new deep generative models for periodic graphs that can automatically learn, disentangle, and generate local and global graph patterns. Specifically, we develop a new periodic graph encoder consisting of global-pattern encoder and local-pattern encoder that ensures to disentangle the representation into global and local semantics. We then propose a new periodic graph decoder consisting of local structure decoder, neighborhood decoder, and global structure decoder, as well as the assembler of their outputs that guarantees periodicity. Moreover, we design a new model learning objective that helps ensure the invariance of local-semantic representations for the graphs with the same local structure. Comprehensive experimental evaluations have been conducted to demonstrate the effectiveness of the proposed method. The code of proposed PGD-VAE is availabe at https://github.com/shi-yu-wang/PGD-VAE.
• Abstract（参考訳）: 周期グラフは、クリスタルネットやポリゴンメッシュのような繰り返し局所構造からなるグラフである。 それらの生成モデリングは、マテリアルデザインやグラフィック合成といった現実世界の応用に大きな可能性を秘めている。 古典モデルは、ドメイン固有の事前定義された生成原理(例えば、クリスタルネット設計)に依存するか、または幾何学に基づく所定の規則に従う。 近年,深層生成モデルが一般グラフの自動生成に大きな期待を寄せている。 しかし、それらの周期グラフへの進歩は、いくつかの重要な課題のために、十分に研究されていない。 1) グラフ周期性を維持すること 2) 地域的及びグローバル的パターンの分離 3)反復パターン学習の効率性。 そこで本研究では,周期グラフの深部生成モデルとして,局所およびグローバルグラフパターンの自動学習・解離・生成が可能な周期グラフ分散変分オートエンコーダ(PGD-VAE)を提案する。 具体的には,グローバル・パターン・エンコーダとローカル・パターン・エンコーダからなる周期グラフエンコーダを開発し,その表現をグローバル・ローカル・セマンティクスに変換する。 次に、局所構造デコーダ、近傍デコーダ、大域構造デコーダからなる新しい周期グラフデコーダと、周期性を保証するそれらの出力のアセンブラを提案する。 さらに,同じ局所構造を持つグラフに対して局所意味表現の不変性を確実にする新しいモデル学習目標を設計する。 提案手法の有効性を実証するための総合的な実験的評価を行った。 PGD-VAEのコードはhttps://github.com/shi-yu-wang/PGD-VAEで公開されている。

関連論文リスト

• Best of Both Worlds: Advantages of Hybrid Graph Sequence Models [20.564009321626198]
  グラフ上での学習にグラフシーケンスモデルを採用するための統一フレームワークを提案する。 本稿では,グローバルおよびローカルなグラフタスクのレンズを用いて,トランスフォーマーと現代のリカレントモデルの表現能力を評価する。 GSM++は階層的親和性クラスタリング(HAC)アルゴリズムを用いてグラフを階層的シーケンスにトークン化する高速ハイブリッドモデルである。
  論文  参考訳（メタデータ） (2024-11-23T23:24:42Z)
• Range-aware Positional Encoding via High-order Pretraining: Theory and Practice [14.521929085104441]
  大量のグラフデータに対する教師なし事前トレーニングは、ラベル付きデータが制限された実世界のアプリケーションでは不可欠である。 本稿では,多解像度構造情報をモデル化することに焦点を当てたグラフの事前学習戦略を提案する。 このアプローチはグラフ構造にのみ依存するが、ドメインに依存しず、さまざまなドメインのデータセットに適応可能である。
  論文  参考訳（メタデータ） (2024-09-27T19:53:10Z)
• Graph Transformer GANs with Graph Masked Modeling for Architectural Layout Generation [153.92387500677023]
  本稿では,グラフノード関係を効果的に学習するために,GTGAN(Graph Transformer Generative Adversarial Network)を提案する。 提案したグラフ変換器エンコーダは、局所的およびグローバルな相互作用をモデル化するために、Transformer内のグラフ畳み込みと自己アテンションを組み合わせる。 また,グラフ表現学習のための自己指導型事前学習手法を提案する。
  論文  参考訳（メタデータ） (2024-01-15T14:36:38Z)
• 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)
• GraphTune: A Learning-based Graph Generative Model with Tunable Structural Features [3.3248768737711045]
  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。
  論文  参考訳（メタデータ） (2022-01-27T13:14:53Z)
• Deep Graph-level Anomaly Detection by Glocal Knowledge Distillation [61.39364567221311]
  グラフレベルの異常検出(GAD)は、その構造やノードの特徴に異常なグラフを検出する問題を記述している。 GADの課題の1つは、局所的および大域的非正則グラフの検出を可能にするグラフ表現を考案することである。 本稿では,グラフとノード表現の連成ランダム蒸留により,グローバルおよびローカルな正規パターン情報を豊富に学習するGADのための新しい深部異常検出手法を提案する。
  論文  参考訳（メタデータ） (2021-12-19T05:04:53Z)
• GraphiT: Encoding Graph Structure in Transformers [37.33808493548781]
  古典的グラフニューラルネットワーク(GNN)を用いて学習した表現を,ノードの特徴と構造的および位置的情報の集合として見ることにより,より優れた表現を実現できることを示す。 我々のモデルであるGraphiTは,グラフ上の正定値カーネルに基づく自己注意スコアにおける相対的な位置符号化戦略と,短距離パスなどの局所的なサブ構造を列挙して符号化することで,そのような情報を符号化する。
  論文  参考訳（メタデータ） (2021-06-10T11:36:22Z)
• Self-supervised Graph-level Representation Learning with Local and Global Structure [71.45196938842608]
  自己教師付き全グラフ表現学習のためのローカル・インスタンスとグローバル・セマンティック・ラーニング(GraphLoG)という統合フレームワークを提案する。 GraphLoGは、局所的な類似点の保存に加えて、グローバルなセマンティッククラスタをキャプチャする階層的なプロトタイプも導入している。 モデル学習のための効率的なオンライン予測最大化(EM)アルゴリズムがさらに開発された。
  論文  参考訳（メタデータ） (2021-06-08T05:25:38Z)
• A Robust and Generalized Framework for Adversarial Graph Embedding [73.37228022428663]
  本稿では,AGE という逆グラフ埋め込みのための頑健なフレームワークを提案する。 AGEは、暗黙の分布から強化された負のサンプルとして偽の隣接ノードを生成する。 本フレームワークでは,3種類のグラフデータを扱う3つのモデルを提案する。
  論文  参考訳（メタデータ） (2021-05-22T07:05:48Z)
• Heuristic Semi-Supervised Learning for Graph Generation Inspired by Electoral College [80.67842220664231]
  本稿では,新たなノードやエッジを自動的に拡張して,高密度サブグラフ内のラベル類似性を向上する,新しい前処理手法であるElectoral College(ELCO)を提案する。 テストされたすべての設定において、我々の手法はベースモデルの平均スコアを4.7ポイントの広いマージンで引き上げるとともに、常に最先端のモデルよりも優れています。
  論文  参考訳（メタデータ） (2020-06-10T14:48:48Z)

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。