Fugu-MT 論文翻訳(概要): Graph autoencoder with constant dimensional latent space

論文の概要: Graph autoencoder with constant dimensional latent space

arxiv url: http://arxiv.org/abs/2201.12165v1
Date: Fri, 28 Jan 2022 14:58:53 GMT
ステータス: 処理完了
システム内更新日: 2022-01-31 15:37:21.163253
Title: Graph autoencoder with constant dimensional latent space
Title（参考訳）: 定次元潜在空間をもつグラフオートエンコーダ
Authors: Adam Ma{\l}kowski, Jakub Grzechoci\'nski, Pawe{\l} Wawrzy\'nski
Abstract要約: 大きいグラフの不変次元ベクトル(埋め込み)への可逆変換は依然として挑戦である。本稿では,再帰ニューラルネットワーク(エンコーダとデコーダ)で処理する。エンコーダネットワークは、サブグラフの埋め込みをより大きなサブグラフの埋め込みに変換し、最終的には入力グラフの埋め込みに変換する。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Invertible transformation of large graphs into constant dimensional vectors (embeddings) remains a challenge. In this paper we address it with recursive neural networks: The encoder and the decoder. The encoder network transforms embeddings of subgraphs into embeddings of larger subgraphs, and eventually into the embedding of the input graph. The decoder does the opposite. The dimension of the embeddings is constant regardless of the size of the (sub)graphs. Simulation experiments presented in this paper confirm that our proposed graph autoencoder can handle graphs with even thousands of vertices.
Abstract（参考訳）: 大きいグラフの不変次元ベクトル(埋め込み)への可逆変換は依然として挑戦である。本稿では、再帰的ニューラルネットワーク(エンコーダとデコーダ)でそれに対処する。エンコーダネットワークは、サブグラフの埋め込みをより大きなサブグラフの埋め込みに変換し、最終的に入力グラフの埋め込みに変換する。デコーダは逆を行う。埋め込みの次元は (sub) グラフのサイズに関係なく一定である。本稿では,提案するグラフオートエンコーダが何千もの頂点を持つグラフを処理できることをシミュレーション実験により確認する。

関連論文リスト

Encoder Embedding for General Graph and Node Classification [4.178980693837599]
エンコーダの埋め込み行列が大数の法則と中心極限定理を満たすことを証明している。ある条件下では、クラスごとの正規性を達成し、識別分析による最適な分類を可能にする。
論文参考訳（メタデータ） (2024-05-24T11:51:08Z)
Learning Network Representations with Disentangled Graph Auto-Encoder [1.671868610555776]
DGA(Disentangled Graph Auto-Encoder)とDVGA(Disentangled Variational Graph Auto-Encoder)を導入する。 DGAは、エンコーダとして機能するマルチチャネルメッセージパッシング層を備えた畳み込みネットワークである。 DVGAは非交叉表現の特徴を考慮に入れた因子的デコーダである。
論文参考訳（メタデータ） (2024-02-02T04:52:52Z)
Deep Manifold Graph Auto-Encoder for Attributed Graph Embedding [51.75091298017941]
本稿では,属性付きグラフデータに対する新しいDeep Manifold (Variational) Graph Auto-Encoder (DMVGAE/DMGAE)を提案する。提案手法は,最先端のベースラインアルゴリズムを,一般的なデータセット間でのダウンストリームタスクの差を大きく越える。
論文参考訳（メタデータ） (2024-01-12T17:57:07Z)
Rethinking Tokenizer and Decoder in Masked Graph Modeling for Molecules [81.05116895430375]
マスク付きグラフモデリングは、分子グラフの自己教師付き表現学習において優れている。サブグラフレベルのトークン化器とremaskデコーディングを備えた十分表現力のあるデコーダがエンコーダの表現学習に大きな影響を与えることを示す。我々は,単純なGNNベースのTokenizer(SGT)と効果的な復号化戦略を備えた,新しいMGM手法SimSGTを提案する。
論文参考訳（メタデータ） (2023-10-23T09:40:30Z)
UniG-Encoder: A Universal Feature Encoder for Graph and Hypergraph Node Classification [6.977634174845066]
グラフおよびハイパーグラフ表現学習のための普遍的特徴エンコーダ(UniG-Encoder)が設計されている。アーキテクチャは、連結ノードのトポロジ的関係をエッジやハイパーエッジに前方変換することから始まる。符号化されたノードの埋め込みは、投影行列の変換によって記述された逆変換から導かれる。
論文参考訳（メタデータ） (2023-08-03T09:32:50Z)
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)
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)
Promoting Graph Awareness in Linearized Graph-to-Text Generation [72.83863719868364]
局所グラフ構造を符号化する線形化モデルの能力を検討する。本研究は,モデルの暗黙のグラフ符号化の品質を高めるための解法である。これらの消音足場は、低リソース設定における下流生成の大幅な改善につながることが分かりました。
論文参考訳（メタデータ） (2020-12-31T18:17:57Z)
AEGCN: An Autoencoder-Constrained Graph Convolutional Network [5.023274927781062]
本稿では,オートエンコーダ制約付きグラフ畳み込みネットワークと呼ばれる新しいニューラルネットワークアーキテクチャを提案する。このモデルのコアはグラフ上で直接動作する畳み込みネットワークであり、隠れた層はオートエンコーダによって制約される。オートエンコーダの制約を追加することで,グラフ畳み込みネットワークの性能が大幅に向上することを示す。
論文参考訳（メタデータ） (2020-07-03T16:42:55Z)
Learning to map source code to software vulnerability using code-as-a-graph [67.62847721118142]
セキュリティの観点からソースコードのニュアンス学習におけるグラフニューラルネットワークの適用性について検討する。我々は,既存のコード・アズ・フォトや線形シーケンスの符号化手法よりも,脆弱性検出に有効なコード・アズ・グラフの符号化法を示す。
論文参考訳（メタデータ） (2020-06-15T16:05:27Z)

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。