論文の概要: Geometrically Equivariant Graph Neural Networks: A Survey
- arxiv url: http://arxiv.org/abs/2202.07230v2
- Date: Wed, 16 Feb 2022 11:37:56 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-17 12:57:38.844986
- Title: Geometrically Equivariant Graph Neural Networks: A Survey
- Title（参考訳）: 幾何学的に等価なグラフニューラルネットワーク:サーベイ
- Authors: Jiaqi Han, Yu Rong, Tingyang Xu, Wenbing Huang
- Abstract要約: GNNにおけるメッセージパッシングとアグリゲーションの表現方法に関して,既存の手法を3つのグループに分けて分析・分類する。
また、ベンチマークと関連するデータセットを要約し、方法論開発と実験評価のための後の研究を促進する。
- 参考スコア（独自算出の注目度）: 44.73146997637709
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Many scientific problems require to process data in the form of geometric
graphs. Unlike generic graph data, geometric graphs exhibit symmetries of
translations, rotations, and/or reflections. Researchers have leveraged such
inductive bias and developed geometrically equivariant Graph Neural Networks
(GNNs) to better characterize the geometry and topology of geometric graphs.
Despite fruitful achievements, it still lacks a survey to depict how
equivariant GNNs are progressed, which in turn hinders the further development
of equivariant GNNs. To this end, based on the necessary but concise
mathematical preliminaries, we analyze and classify existing methods into three
groups regarding how the message passing and aggregation in GNNs are
represented. We also summarize the benchmarks as well as the related datasets
to facilitate later researches for methodology development and experimental
evaluation. The prospect for future potential directions is also provided.
- Abstract（参考訳）: 多くの科学的問題は幾何学グラフの形でデータを処理する必要がある。
一般的なグラフデータとは異なり、幾何学グラフは変換、回転および/または反射の対称性を示す。
研究者はそのような帰納的バイアスを利用し、幾何学的同変グラフニューラルネットワーク(gnns)を開発し、幾何学的グラフの幾何学的およびトポロジーをよりよく特徴付ける。
実りある成果にもかかわらず、同変GNNの進展を示すための調査がまだ欠けているため、同変GNNのさらなる発展を妨げている。
この目的のために,必要ではあるが簡潔な数学的予備条件に基づいて,gnnにおけるメッセージパッシングとアグリゲーションの表現方法に関して,既存の手法を3つのグループに分析,分類する。
また、ベンチマークと関連するデータセットを要約し、方法論開発と実験評価の後の研究を促進する。
将来的な方向性の見通しも提供される。
関連論文リスト
- Generalization of Geometric Graph Neural Networks [84.01980526069075]
幾何グラフニューラルネットワーク(GNN)の一般化能力について検討する。
我々は,このGNNの最適経験リスクと最適統計リスクとの一般化ギャップを証明した。
最も重要な観察は、前の結果のようにグラフのサイズに制限されるのではなく、1つの大きなグラフで一般化能力を実現することができることである。
論文 参考訳（メタデータ） (2024-09-08T18:55:57Z) - A Survey of Geometric Graph Neural Networks: Data Structures, Models and
Applications [67.33002207179923]
本稿では、幾何学的GNNに関するデータ構造、モデル、および応用について調査する。
幾何学的メッセージパッシングの観点から既存のモデルの統一的なビューを提供する。
また、方法論開発と実験評価の後の研究を促進するために、アプリケーションと関連するデータセットを要約する。
論文 参考訳（メタデータ） (2024-03-01T12:13:04Z) - A Hitchhiker's Guide to Geometric GNNs for 3D Atomic Systems [87.30652640973317]
原子系の計算モデリングの最近の進歩は、これらを3次元ユークリッド空間のノードとして埋め込まれた原子を含む幾何学的グラフとして表現している。
Geometric Graph Neural Networksは、タンパク質構造予測から分子シミュレーション、物質生成まで、幅広い応用を駆動する機械学習アーキテクチャとして好まれている。
本稿では,3次元原子システムのための幾何学的GNNの分野について,包括的で自己完結した概要を述べる。
論文 参考訳（メタデータ） (2023-12-12T18:44:19Z) - How Curvature Enhance the Adaptation Power of Framelet GCNs [27.831929635701886]
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モデリングにおいて強力に実証されている。
本稿では,離散グラフリッチ曲率によるGNNの拡張手法を提案する。
曲率に基づくGNNモデルは、ホモフィリーグラフとヘテロフィリーグラフの両方において、最先端のベースラインよりも優れていることを示す。
論文 参考訳（メタデータ） (2023-07-19T06:05:33Z) - DEGREE: Decomposition Based Explanation For Graph Neural Networks [55.38873296761104]
我々は,GNN予測に対する忠実な説明を提供するためにDGREEを提案する。
GNNの情報生成と集約機構を分解することにより、DECREEは入力グラフの特定のコンポーネントのコントリビューションを最終的な予測に追跡することができる。
また,従来の手法で見過ごされるグラフノード間の複雑な相互作用を明らかにするために,サブグラフレベルの解釈アルゴリズムを設計する。
論文 参考訳（メタデータ） (2023-05-22T10:29:52Z) - On the Expressive Power of Geometric Graph Neural Networks [18.569063436109044]
基礎となる物理対称性を尊重しながら幾何グラフを識別するための幾何版WLテスト(GWL)を提案する。
鍵となる設計選択が幾何的GNN表現性に与える影響を解き放つ。
論文 参考訳（メタデータ） (2023-01-23T08:08:10Z) - Gauge Equivariant Mesh CNNs: Anisotropic convolutions on geometric
graphs [81.12344211998635]
メッシュ上の畳み込みを定義する一般的なアプローチは、それらをグラフとして解釈し、グラフ畳み込みネットワーク(GCN)を適用することである。
本稿では、GCNを一般化して異方性ゲージ同変カーネルを適用するGauge Equivariant Mesh CNNを提案する。
本実験は,従来のGCNおよび他の手法と比較して,提案手法の表現性を大幅に向上することを示した。
論文 参考訳（メタデータ） (2020-03-11T17:21:15Z) - Geom-GCN: Geometric Graph Convolutional Networks [15.783571061254847]
本稿では,この2つの弱点を克服するために,グラフニューラルネットワークのための新しい幾何集約手法を提案する。
提案したアグリゲーションスキームは置換不変であり、ノード埋め込み、構造近傍、二レベルアグリゲーションという3つのモジュールから構成される。
また,このスキームをGeom-GCNと呼ばれるグラフ畳み込みネットワークに実装し,グラフ上でトランスダクティブ学習を行う。
論文 参考訳（メタデータ） (2020-02-13T00:03:09Z)
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。