論文の概要: PyTorch Geometric Signed Directed: A Survey and Software on Graph Neural
Networks for Signed and Directed Graphs
- arxiv url: http://arxiv.org/abs/2202.10793v1
- Date: Tue, 22 Feb 2022 10:25:59 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-23 14:52:49.266686
- Title: PyTorch Geometric Signed Directed: A Survey and Software on Graph Neural
Networks for Signed and Directed Graphs
- Title（参考訳）: PyTorch Geometric Signed Directed: An Survey and Software on Graph Neural Networks for Signed and Directed Graphs
- Authors: Yixuan He, Xitong Zhang, Junjie Huang, Mihai Cucuringu, Gesine Reinert
- Abstract要約: PyTorch Geometric Signed Directed(PyTorch Geometric Signed Directed)は、グラフニューラルネットワーク(GNN)上の、署名されたネットワークと指示されたネットワークに関する調査およびソフトウェアである。
ディープラーニングフレームワークは、簡単に使えるGNNモデル、合成および実世界のデータ、および署名されたネットワークと指示されたネットワークに対するタスク固有の評価指標と損失関数で構成されている。
- 参考スコア（独自算出の注目度）: 10.942474325757797
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Signed networks are ubiquitous in many real-world applications (e.g., social
networks encoding trust/distrust relationships, correlation networks arising
from time series data). While many signed networks are directed, there is a
lack of survey papers and software packages on graph neural networks (GNNs)
specially designed for directed networks. In this paper, we present PyTorch
Geometric Signed Directed, a survey and software on GNNs for signed and
directed networks. We review typical tasks, loss functions and evaluation
metrics in the analysis of signed and directed networks, discuss data used in
related experiments, and provide an overview of methods proposed. The deep
learning framework consists of easy-to-use GNN models, synthetic and real-world
data, as well as task-specific evaluation metrics and loss functions for signed
and directed networks. The software is presented in a modular fashion, so that
signed and directed networks can also be treated separately. As an extension
library for PyTorch Geometric, our proposed software is maintained with
open-source releases, detailed documentation, continuous integration, unit
tests and code coverage checks. Our code is publicly available at
\url{https://github.com/SherylHYX/pytorch_geometric_signed_directed}.
- Abstract（参考訳）: 署名されたネットワークは多くの現実世界のアプリケーション(例えば、信頼/不信関係を符号化するソーシャルネットワーク、時系列データから生じる相関ネットワーク)でユビキタスである。
多くの署名されたネットワークが指向されているが、指向するネットワーク用に特別に設計されたグラフニューラルネットワーク(GNN)に関する調査論文やソフトウェアパッケージが不足している。
本稿では,署名されたネットワークのためのgnnに関する調査およびソフトウェアであるpytorch geometric signed directedについて述べる。
本稿では,符号付きネットワークと有向ネットワークの分析における典型的なタスク,損失関数,評価指標について検討し,関連する実験で使用されるデータについて検討し,提案手法の概要を示す。
ディープラーニングフレームワークは、簡単に使えるGNNモデル、合成および実世界のデータ、および署名されたネットワークに対するタスク固有の評価指標と損失関数で構成される。
ソフトウェアはモジュール形式で提示され、署名されたネットワークと指示されたネットワークも別々に扱うことができる。
pytorch geometricの拡張ライブラリとして、提案するソフトウェアはオープンソースリリース、詳細なドキュメント、継続的インテグレーション、ユニットテスト、コードカバレッジチェックでメンテナンスされています。
コードは \url{https://github.com/sherylhyx/pytorch_geometric_signed_directed} で公開されている。
関連論文リスト
- A Survey on Signed Graph Embedding: Methods and Applications [0.0]
サイングラフ(サイングラフ、英: signed graph、SG)は、エッジがそれに取り付けられたサイン情報を運ぶグラフである。
本調査では,SGの埋め込み手法と応用について包括的に研究する。
論文 参考訳（メタデータ） (2024-09-05T21:24:03Z) - Comgra: A Tool for Analyzing and Debugging Neural Networks [35.89730807984949]
PyTorchで使用するオープンソースのpythonライブラリであるcomgraを紹介します。
Comgraはモデルの内部アクティベーションに関するデータを抽出し、GUIで整理する。
要約統計と個々のデータポイントの両方を示し、トレーニングの初期段階と後期を比較し、関心のある個々のサンプルに注目し、ネットワークを通しての勾配の流れを可視化する。
論文 参考訳（メタデータ） (2024-07-31T14:57:23Z) - GNN-LoFI: a Novel Graph Neural Network through Localized Feature-based
Histogram Intersection [51.608147732998994]
グラフニューラルネットワークは、グラフベースの機械学習の選択フレームワークになりつつある。
本稿では,古典的メッセージパッシングに代えて,ノード特徴の局所分布を解析するグラフニューラルネットワークアーキテクチャを提案する。
論文 参考訳（メタデータ） (2024-01-17T13:04:23Z) - Sig-Networks Toolkit: Signature Networks for Longitudinal Language
Modelling [14.619019557308807]
我々は、縦長言語モデリングのためのオープンソースの、ピンプインストール可能なツールキット、Sig-Networksを提案する。
中心的な焦点は署名に基づくニューラルネットワークモデルの導入であり、これは最近、時間的タスクの成功を示している。
入門ビデオを備えたPyTorchパッケージとしてツールキットをリリースし、プレプロセスとモデリングのためのGitリポジトリに、モデル化されたNLPタスクのサンプルノートを含めます。
論文 参考訳（メタデータ） (2023-12-06T14:34:30Z) - PyTorch Geometric High Order: A Unified Library for High Order Graph
Neural Network [32.537428858455]
PyTorch Geometric High Order (PyGHO)は、PyTorch (PyG)を拡張した高次グラフニューラルネットワーク(HOGNN)のためのライブラリである。
我々は、PyGHOの詳細な詳細を提示し、PyGHOで実装されたHOGNNと現実世界のタスクに関する公式実装を比較した。
論文 参考訳（メタデータ） (2023-11-28T10:34:48Z) - Dynamic Graph Message Passing Networks for Visual Recognition [112.49513303433606]
長距離依存のモデリングは、コンピュータビジョンにおけるシーン理解タスクに不可欠である。
完全連結グラフはそのようなモデリングには有益であるが、計算オーバーヘッドは禁じられている。
本稿では,計算複雑性を大幅に低減する動的グラフメッセージパッシングネットワークを提案する。
論文 参考訳（メタデータ） (2022-09-20T14:41:37Z) - Cross-Network Learning with Partially Aligned Graph Convolutional
Networks [21.458260469446863]
モデル間のノード表現を学習するために,部分整列グラフ畳み込みネットワークを提案する。
実世界の知識グラフと協調ネットワークの実験は,提案手法の優れた性能を示す。
論文 参考訳（メタデータ） (2021-06-03T04:07:26Z) - Efficient Graph Deep Learning in TensorFlow with tf_geometric [53.237754811019464]
グラフ深層学習のための効率的でフレンドリなライブラリであるtf_geometricを導入する。
tf_geometricは、人気のあるGNNの実装と同様に、グラフニューラルネットワーク(GNN)を構築するためのカーネルライブラリを提供する。
カーネルライブラリは、グラフデータ構造、グラフマップ-リデュースフレームワーク、グラフミニバッチ戦略など、効率的なGNNを構築するためのインフラストラクチャで構成されている。
論文 参考訳（メタデータ） (2021-01-27T17:16:36Z) - Inverse Graph Identification: Can We Identify Node Labels Given Graph
Labels? [89.13567439679709]
グラフ識別(GI)は、グラフ学習において長い間研究されており、特定の応用において不可欠である。
本稿では,逆グラフ識別(Inverse Graph Identification, IGI)と呼ばれる新しい問題を定義する。
本稿では,グラフアテンションネットワーク(GAT)を用いたノードレベルのメッセージパッシング処理を,GIのプロトコルの下でシンプルかつ効果的に行う方法を提案する。
論文 参考訳（メタデータ） (2020-07-12T12:06:17Z) - 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) - 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。