論文の概要: Exploring Edge Disentanglement for Node Classification

• arxiv url: http://arxiv.org/abs/2202.11245v1
• Date: Wed, 23 Feb 2022 00:31:37 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-24 16:30:41.156290
• Title: Exploring Edge Disentanglement for Node Classification
• Title（参考訳）: ノード分類のためのエッジディスタングルの探索
• Authors: Tianxiang Zhao, Xiang Zhang, Suhang Wang
• Abstract要約: 実世界のグラフのエッジは、典型的には様々な要因によって形成され、多様な関係意味論を持つ。 本稿では,3つの前提条件を提案し,それに対応する3つのタスクを設計する。 DisGNNは、さまざまなニューラルネットワークに簡単に組み込むことができ、現実世界のデータセットで6ドル(約6,300円)で実験を行います。
• 参考スコア（独自算出の注目度）: 34.81248024048974
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Edges in real-world graphs are typically formed by a variety of factors and carry diverse relation semantics. For example, connections in a social network could indicate friendship, being colleagues, or living in the same neighborhood. However, these latent factors are usually concealed behind mere edge existence due to the data collection and graph formation processes. Despite rapid developments in graph learning over these years, most models take a holistic approach and treat all edges as equal. One major difficulty in disentangling edges is the lack of explicit supervisions. In this work, with close examination of edge patterns, we propose three heuristics and design three corresponding pretext tasks to guide the automatic edge disentanglement. Concretely, these self-supervision tasks are enforced on a designed edge disentanglement module to be trained jointly with the downstream node classification task to encourage automatic edge disentanglement. Channels of the disentanglement module are expected to capture distinguishable relations and neighborhood interactions, and outputs from them are aggregated as node representations. The proposed DisGNN is easy to be incorporated with various neural architectures, and we conduct experiments on $6$ real-world datasets. Empirical results show that it can achieve significant performance gains.
• Abstract（参考訳）: 実世界のグラフのエッジは通常、様々な要因によって形成され、多様な関係意味論を持つ。 例えば、ソーシャルネットワークのつながりは、友人関係、同僚関係、あるいは同じ近所に住んでいることを示せる。 しかしながら、これらの潜在要因は通常、データ収集とグラフ形成プロセスのため、単にエッジの存在の背後に隠されている。 近年のグラフ学習の急速な発展にもかかわらず、ほとんどのモデルは全体論的アプローチを採用し、すべてのエッジを等しく扱う。 エッジを切り離す上での大きな困難は、明示的な監督の欠如である。 本稿では,エッジパターンを綿密に検討し,3つのヒューリスティックを提案し,それに対応する3つのプリテキストタスクの設計を行い,エッジの絡み合いを誘導する。 具体的には,これらのセルフスーパービジョンタスクを,下流ノード分類タスクと共同で訓練し,自動エッジ・アンタングル化を促進するために設計したエッジ・アンタングル化モジュール上で実施する。 切り離しモジュールのチャネルは識別可能な関係や近傍の相互作用を捉えることが期待され、それらからの出力はノード表現として集約される。 提案するdignnは,様々なニューラルアーキテクチャに組み込むのが容易であり,実世界のデータセットを6ドルで実験する。 実証的な結果は、大きなパフォーマンス向上を達成できることを示している。

関連論文リスト

• Multistage non-deterministic classification using secondary concept graphs and graph convolutional networks for high-level feature extraction [0.0]
  多様なトピックを持つドメインでは、グラフ表現は特徴間の相互関係を示す。 達成にもかかわらず、9つの決定論的クラスを予測および割り当てすることは、しばしばエラーを伴う。 二次概念グラフとグラフ畳み込みネットワークに基づく多段階非決定論的分類法を提案する。
  論文  参考訳（メタデータ） (2024-11-09T15:28:45Z)
• Improving Graph Neural Networks by Learning Continuous Edge Directions [0.0]
  グラフニューラルネットワーク(GNN)は、従来、非指向グラフ上の拡散に似たメッセージパッシング機構を採用している。 私たちのキーとなる洞察は、ファジィエッジ方向をグラフのエッジに割り当てることです。 ファジィエッジを持つグラフを学習するためのフレームワークとして,Continuous Edge Direction (CoED) GNNを提案する。
  論文  参考訳（メタデータ） (2024-10-18T01:34:35Z)
• Generative Modeling of Graphs via Joint Diffusion of Node and Edge Attributes [16.07858156813397]
  本稿では,全てのグラフ成分を考慮したグラフ生成のためのノードとエッジの連成スコアベースモデルを提案する。 提案手法は, (i) ノード属性とエッジ属性をアテンションモジュールに結合し, 2つの成分に基づいてサンプルを生成する。 我々は,エッジ特徴が重要となる実世界のデータセットと合成データセットを含む,挑戦的なベンチマークについて評価する。
  論文  参考訳（メタデータ） (2024-02-06T14:48:34Z)
• Refined Edge Usage of Graph Neural Networks for Edge Prediction [51.06557652109059]
  We propose a novel edge prediction paradigm named Edge-aware Message PassIng neuRal nEtworks (EMPIRE)。 まず,各エッジをトポロジや監督のためにのみ使用するエッジ分割手法を提案する。 監視エッジで接続されたペアと接続されていないペアの差を強調するために、さらにメッセージを重み付けして、その差を反映できる相対的なペアを強調します。
  論文  参考訳（メタデータ） (2022-12-25T23:19:56Z)
• Reinforced Causal Explainer for Graph Neural Networks [112.57265240212001]
  グラフニューラルネットワーク(GNN)の探索には説明可能性が不可欠である 我々は強化学習エージェントReinforced Causal Explainer (RC-Explainer)を提案する。 RC-Explainerは忠実で簡潔な説明を生成し、グラフを見えなくするより優れたパワーを持つ。
  論文  参考訳（メタデータ） (2022-04-23T09:13:25Z)
• Training Robust Graph Neural Networks with Topology Adaptive Edge Dropping [116.26579152942162]
  グラフニューラルネットワーク(GNN)は、グラフ構造情報を利用してネットワークデータから表現をモデル化する処理アーキテクチャである。 彼らの成功にもかかわらず、GNNは限られた訓練データから得られる準最適一般化性能に悩まされている。 本稿では、一般化性能を改善し、堅牢なGNNモデルを学習するためのトポロジ適応エッジドロップ法を提案する。
  論文  参考訳（メタデータ） (2021-06-05T13:20:36Z)
• Edge-Featured Graph Attention Network [7.0629162428807115]
  エッジ機能付きグラフアテンションネットワーク(EGAT)を提案し、グラフニューラルネットワークの利用をノードとエッジの両方の特徴を持つグラフ上で学習するタスクに拡張する。 モデル構造と学習プロセスを改革することにより、新しいモデルはノードとエッジの機能を入力として受け入れ、エッジ情報を機能表現に組み込むことができ、ノードとエッジの機能を並列かつ相互に反復することができる。
  論文  参考訳（メタデータ） (2021-01-19T15:08:12Z)
• Learning to Extrapolate Knowledge: Transductive Few-shot Out-of-Graph Link Prediction [69.1473775184952]
  数発のアウトオブグラフリンク予測という現実的な問題を導入する。 我々は,新しいメタ学習フレームワークによってこの問題に対処する。 我々は,知識グラフの補完と薬物と薬物の相互作用予測のために,複数のベンチマークデータセット上でモデルを検証した。
  論文  参考訳（メタデータ） (2020-06-11T17:42:46Z)
• Interpretable Deep Graph Generation with Node-Edge Co-Disentanglement [55.2456981313287]
  本稿では,属性グラフの深部生成モデルのための新しいアンタングルメント拡張フレームワークを提案する。 ノードとエッジのデコンボリューションのための新しいアーキテクチャを用いて、上記の3種類の潜伏因子を解離する新しい変分的目的を提案する。 各タイプ内では、画像の既存のフレームワークの一般化が示され、個々の因子のゆがみがさらに強化される。
  論文  参考訳（メタデータ） (2020-06-09T16:33:49Z)
• 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。