論文の概要: MarkovGNN: Graph Neural Networks on Markov Diffusion

• arxiv url: http://arxiv.org/abs/2202.02470v1
• Date: Sat, 5 Feb 2022 02:51:16 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-13 16:15:25.716603
• Title: MarkovGNN: Graph Neural Networks on Markov Diffusion
• Title（参考訳）: MarkovGNN: Markov拡散に基づくグラフニューラルネットワーク
• Authors: Md. Khaledur Rahman, Abhigya Agrawal, Ariful Azad
• Abstract要約: 我々は,コミュニティの形成と進化を異なる畳み込み層で直接キャプチャするMarkovGNNを開発した。 MarkovGNNは、既存のほとんどのグラフニューラルネットワークで使用できる一般的なアプローチである。 我々は,MarkovGNNがクラスタリング,ノード分類,可視化タスクにおいて,他のGNNよりも優れていることを示す。
• 参考スコア（独自算出の注目度）: 3.405428041288701
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Most real-world networks contain well-defined community structures where nodes are densely connected internally within communities. To learn from these networks, we develop MarkovGNN that captures the formation and evolution of communities directly in different convolutional layers. Unlike most Graph Neural Networks (GNNs) that consider a static graph at every layer, MarkovGNN generates different stochastic matrices using a Markov process and then uses these community-capturing matrices in different layers. MarkovGNN is a general approach that could be used with most existing GNNs. We experimentally show that MarkovGNN outperforms other GNNs for clustering, node classification, and visualization tasks. The source code of MarkovGNN is publicly available at \url{https://github.com/HipGraph/MarkovGNN}.
• Abstract（参考訳）: ほとんどの現実世界のネットワークは、ノードがコミュニティ内部で密に接続される、明確に定義されたコミュニティ構造を含んでいる。 これらのネットワークから学習するために,コミュニティの形成と進化を異なる畳み込み層で直接捉えるMarkovGNNを開発した。 各層で静的グラフを考えるほとんどのグラフニューラルネットワーク(gnn)とは異なり、markovgnnはマルコフ過程を用いて異なる確率行列を生成し、それらの群集を異なる層で用いる。 MarkovGNNは、既存のほとんどのGNNで使用できる一般的なアプローチである。 我々は,MarkovGNNがクラスタリング,ノード分類,可視化タスクにおいて,他のGNNよりも優れていることを示す。 MarkovGNN のソースコードは \url{https://github.com/HipGraph/MarkovGNN} で公開されている。

関連論文リスト

• Generalizable Graph Neural Networks for Robust Power Grid Topology Control [0.24578723416255752]
  グラフニューラルネットワーク(GNN)は、計算におけるグラフ構造を反映したMLモデルのクラスである。 GNN層のみを利用するグリッドトポロジ制御のための最初のGNNモデルを提案する。 我々は、同種および異種GNNと完全連結ニューラルネットワーク(FCNN)の両方を模倣学習タスクに基づいて訓練する。
  論文  参考訳（メタデータ） (2025-01-13T10:31:36Z)
• Degree-based stratification of nodes in Graph Neural Networks [66.17149106033126]
  グラフニューラルネットワーク(GNN)アーキテクチャを変更して,各グループのノードに対して,重み行列を個別に学習する。 このシンプルな実装変更により、データセットとGNNメソッドのパフォーマンスが改善されているようだ。
  論文  参考訳（メタデータ） (2023-12-16T14:09:23Z)
• Incorporating Heterophily into Graph Neural Networks for Graph Classification [6.709862924279403]
  グラフニューラルネットワーク(GNN)は、しばしばグラフ分類において強いホモフィリを仮定し、ヘテロフィリを考えることは滅多にない。 We developed a novel GNN architecture called IHGNN (short for Incorporated Heterophily into Graph Neural Networks) 我々は、様々なグラフデータセット上でIHGNNを実証的に検証し、グラフ分類のための最先端のGNNよりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-03-15T06:48:35Z)
• A Variational Edge Partition Model for Supervised Graph Representation Learning [51.30365677476971]
  本稿では,重なり合うノード群間の相互作用を集約することで,観測されたエッジがどのように生成されるかをモデル化するグラフ生成プロセスを提案する。 それぞれのエッジを複数のコミュニティ固有の重み付きエッジの和に分割し、コミュニティ固有のGNNを定義する。 エッジを異なるコミュニティに分割するGNNベースの推論ネットワーク,これらのコミュニティ固有のGNN,およびコミュニティ固有のGNNを最終分類タスクに組み合わせたGNNベースの予測器を共同で学習するために,変分推論フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-02-07T14:37:50Z)
• mGNN: Generalizing the Graph Neural Networks to the Multilayer Case [0.0]
  我々は,GNNを多層ネットワークに一般化するためのフレームワークであるmGNNを提案する。 我々のアプローチは汎用的であり(タスク固有ではない)、計算オーバーヘッドを伴わずに任意の種類のGNNを拡張するという利点がある。 我々は、このフレームワークを3つの異なるタスク(ノードとネットワークの分類、リンクの予測)に分けて検証する。
  論文  参考訳（メタデータ） (2021-09-21T12:02:12Z)
• AdaGNN: A multi-modal latent representation meta-learner for GNNs based on AdaBoosting [0.38073142980733]
  グラフニューラルネットワーク(GNN)は、固有のネットワーク機能の抽出に重点を置いている。 GNNのための強化型メタラーナを提案する。 AdaGNNは、リッチで多様なノード近傍情報を持つアプリケーションに対して非常によく機能する。
  論文  参考訳（メタデータ） (2021-08-14T03:07:26Z)
• A Unified View on Graph Neural Networks as Graph Signal Denoising [49.980783124401555]
  グラフニューラルネットワーク(GNN)は,グラフ構造化データの学習表現において顕著に普及している。 本研究では,代表的GNNモデル群における集約過程を,グラフ記述問題の解法とみなすことができることを数学的に確立する。 UGNNから派生した新しいGNNモデルADA-UGNNをインスタンス化し、ノード間の適応的滑らかさでグラフを処理する。
  論文  参考訳（メタデータ） (2020-10-05T04:57:18Z)
• Graph Neural Networks: Architectures, Stability and Transferability [176.3960927323358]
  グラフニューラルネットワーク(GNN)は、グラフでサポートされている信号のための情報処理アーキテクチャである。 これらは、個々の層がグラフ畳み込みフィルタのバンクを含む畳み込みニューラルネットワーク(CNN)の一般化である。
  論文  参考訳（メタデータ） (2020-08-04T18:57:36Z)
• Label-Consistency based Graph Neural Networks for Semi-supervised Node Classification [47.753422069515366]
  グラフニューラルネットワーク(GNN)は,グラフに基づく半教師付きノード分類において顕著な成功を収めている。 本稿では,GNNにおけるノードの受容領域を拡大するために,ノードペアが接続されていないが同一のラベルを持つラベル一貫性に基づくグラフニューラルネットワーク(LC-GNN)を提案する。 ベンチマークデータセットの実験では、LC-GNNはグラフベースの半教師付きノード分類において従来のGNNよりも優れていた。
  論文  参考訳（メタデータ） (2020-07-27T11:17:46Z)
• EdgeNets:Edge Varying Graph Neural Networks [179.99395949679547]
  本稿では、EdgeNetの概念を通じて、最先端グラフニューラルネットワーク(GNN)を統一する一般的なフレームワークを提案する。 EdgeNetはGNNアーキテクチャであり、異なるノードが異なるパラメータを使って異なる隣人の情報を測定することができる。 これは、ノードが実行でき、既存のグラフ畳み込みニューラルネットワーク(GCNN)とグラフアテンションネットワーク(GAT)の1つの定式化の下で包含できる一般的な線形で局所的な操作である。
  論文  参考訳（メタデータ） (2020-01-21T15:51:17Z)

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。