論文の概要: Graph-Coupled Oscillator Networks
- arxiv url: http://arxiv.org/abs/2202.02296v1
- Date: Fri, 4 Feb 2022 18:29:49 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-07 15:09:13.091748
- Title: Graph-Coupled Oscillator Networks
- Title（参考訳）: グラフ結合型オシレータネットワーク
- Authors: T. Konstantin Rusch, Benjamin P. Chamberlain, James Rowbottom,
Siddhartha Mishra, Michael M. Bronstein
- Abstract要約: Graph-Coupled Networks (GraphCON)は、グラフのディープラーニングのための新しいフレームワークである。
我々のフレームワークは,様々なグラフベースの学習タスクにおける最先端技術に関して,競争力のあるパフォーマンスを提供する。
- 参考スコア（独自算出の注目度）: 23.597444325599835
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We propose Graph-Coupled Oscillator Networks (GraphCON), a novel framework
for deep learning on graphs. It is based on discretizations of a second-order
system of ordinary differential equations (ODEs), which model a network of
nonlinear forced and damped oscillators, coupled via the adjacency structure of
the underlying graph. The flexibility of our framework permits any basic GNN
layer (e.g. convolutional or attentional) as the coupling function, from which
a multi-layer deep neural network is built up via the dynamics of the proposed
ODEs. We relate the oversmoothing problem, commonly encountered in GNNs, to the
stability of steady states of the underlying ODE and show that zero-Dirichlet
energy steady states are not stable for our proposed ODEs. This demonstrates
that the proposed framework mitigates the oversmoothing problem. Finally, we
show that our approach offers competitive performance with respect to the
state-of-the-art on a variety of graph-based learning tasks.
- Abstract（参考訳）: 本稿では,グラフの深層学習のための新しいフレームワークであるGraphCONを提案する。
これは、基礎となるグラフの隣接構造を介して結合された非線形強制および減衰振動子のネットワークをモデル化する常微分方程式(odes)の二階系の離散化に基づいている。
我々のフレームワークの柔軟性は、結合関数としての基本的なGNN層(例えば、畳み込みや注意)を許容し、そこから提案したODEのダイナミクスを介して、多層ディープニューラルネットワークを構築する。
我々は,gnnでよく見られる過飽和問題と基礎となるodeの定常状態の安定性を関連づけ,提案するodeに対してゼロディリクレエネルギー定常状態が安定ではないことを示す。
これは、提案されたフレームワークが過度な問題を軽減することを示している。
最後に,本手法は,様々なグラフベースの学習タスクにおける最先端技術に対する競争性能を提供することを示す。
関連論文リスト
- Re-Think and Re-Design Graph Neural Networks in Spaces of Continuous
Graph Diffusion Functionals [7.6435511285856865]
グラフニューラルネットワーク(GNN)は、ソーシャルネットワークや生体システムのようなドメインで広く使われている。
GNNのローカリティ仮定は、グラフ内の長距離依存関係とグローバルパターンをキャプチャする能力を損なう。
本稿では,ブラヒクロニスト問題から着想を得た変分解析に基づく新しい帰納バイアスを提案する。
論文 参考訳（メタデータ） (2023-07-01T04:44:43Z) - A Fractional Graph Laplacian Approach to Oversmoothing [15.795926248847026]
非直交グラフから有向グラフへのオーバースムーシングの概念を一般化する。
非局所力学を記述した分数グラフ Laplacian Neural ODE を提案する。
グラフのディリクレエネルギーの収束に関して、我々の方法はより柔軟である。
論文 参考訳（メタデータ） (2023-05-22T14:52:33Z) - Dynamic Causal Explanation Based Diffusion-Variational Graph Neural
Network for Spatio-temporal Forecasting [60.03169701753824]
時間予測のための動的拡散型グラフニューラルネットワーク(DVGNN)を提案する。
提案したDVGNNモデルは最先端のアプローチよりも優れ,Root Mean Squared Errorの結果が優れている。
論文 参考訳（メタデータ） (2023-05-16T11:38:19Z) - 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) - Graph-based Algorithm Unfolding for Energy-aware Power Allocation in
Wireless Networks [27.600081147252155]
我々は,無線通信網におけるエネルギー効率を最大化する新しいグラフ要約フレームワークを開発した。
無線ネットワークデータのモデルに望ましい特性である置換訓練について述べる。
結果は、異なるネットワークトポロジにまたがる一般化可能性を示している。
論文 参考訳（メタデータ） (2022-01-27T20:23:24Z) - Training Stable Graph Neural Networks Through Constrained Learning [116.03137405192356]
グラフニューラルネットワーク(GNN)は、ネットワークデータから機能を学ぶためにグラフ畳み込みに依存する。
GNNは、グラフフィルタから受け継いだ特性である、基礎となるグラフの様々な種類の摂動に対して安定である。
本稿では,GNNの安定条件に制約を課すことにより,新たな制約付き学習手法を提案する。
論文 参考訳（メタデータ） (2021-10-07T15:54:42Z) - GRAND: Graph Neural Diffusion [15.00135729657076]
本稿では,連続拡散過程としてグラフの深層学習にアプローチするグラフニューラル拡散(GRAND)を提案する。
我々のモデルでは、層構造と位相は時間的および空間的作用素の離散化選択に対応する。
我々のモデルの成功の鍵は、データの摂動に対する安定性であり、これは暗黙的および明示的な離散化スキームの両方に対処する。
論文 参考訳（メタデータ） (2021-06-21T09:10:57Z) - Hyperbolic Variational Graph Neural Network for Modeling Dynamic Graphs [77.33781731432163]
我々は,ノード表現の推論を目的とした双曲空間における動的グラフ表現を初めて学習する。
本稿では,HVGNNと呼ばれる新しいハイパーボリック変動グラフネットワークを提案する。
特に,動力学をモデル化するために,理論的に接地した時間符号化手法に基づく時間gnn(tgnn)を導入する。
論文 参考訳（メタデータ） (2021-04-06T01:44:15Z) - Data-Driven Learning of Geometric Scattering Networks [74.3283600072357]
最近提案された幾何散乱変換の緩和に基づく新しいグラフニューラルネットワーク(GNN)モジュールを提案する。
我々の学習可能な幾何散乱(LEGS)モジュールは、ウェーブレットの適応的なチューニングを可能にし、学習された表現に帯域通過の特徴が現れるように促す。
論文 参考訳（メタデータ） (2020-10-06T01:20:27Z) - Implicit Graph Neural Networks [46.0589136729616]
Indicit Graph Neural Networks (IGNN) と呼ばれるグラフ学習フレームワークを提案する。
IGNNは一貫して長距離依存を捉え、最先端のGNNモデルより優れている。
論文 参考訳（メタデータ） (2020-09-14T06:04:55Z) - Tensor Graph Convolutional Networks for Multi-relational and Robust
Learning [74.05478502080658]
本稿では,テンソルで表されるグラフの集合に関連するデータから,スケーラブルな半教師付き学習(SSL)を実現するためのテンソルグラフ畳み込みネットワーク(TGCN)を提案する。
提案アーキテクチャは、標準的なGCNと比較して大幅に性能が向上し、最先端の敵攻撃に対処し、タンパク質間相互作用ネットワーク上でのSSL性能が著しく向上する。
論文 参考訳（メタデータ） (2020-03-15T02:33:21Z)
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。