論文の概要: Bayesian Deep Learning for Graphs

• arxiv url: http://arxiv.org/abs/2202.12348v1
• Date: Thu, 24 Feb 2022 20:18:41 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-28 13:43:28.898741
• Title: Bayesian Deep Learning for Graphs
• Title（参考訳）: グラフのためのベイズ深層学習
• Authors: Federico Errica
• Abstract要約: 論文は、この分野のほとんどのメソッドが構築される原則のレビューから始まり、続いてグラフ分類問題の研究が続く。 そこから、ディープアーキテクチャを漸進的に構築することで、グラフのディープラーニングに関する基本的なアイデアをベイジアンの世界に橋渡しします。 このフレームワークにより、離散的かつ連続的なエッジ特徴を持つグラフを考慮し、いくつかの分類タスクで最先端に達するのに十分な教師なしの埋め込みを生成することができる。
• 参考スコア（独自算出の注目度）: 6.497816402045099
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The adaptive processing of structured data is a long-standing research topic in machine learning that investigates how to automatically learn a mapping from a structured input to outputs of various nature. Recently, there has been an increasing interest in the adaptive processing of graphs, which led to the development of different neural network-based methodologies. In this thesis, we take a different route and develop a Bayesian Deep Learning framework for graph learning. The dissertation begins with a review of the principles over which most of the methods in the field are built, followed by a study on graph classification reproducibility issues. We then proceed to bridge the basic ideas of deep learning for graphs with the Bayesian world, by building our deep architectures in an incremental fashion. This framework allows us to consider graphs with discrete and continuous edge features, producing unsupervised embeddings rich enough to reach the state of the art on several classification tasks. Our approach is also amenable to a Bayesian nonparametric extension that automatizes the choice of almost all model's hyper-parameters. Two real-world applications demonstrate the efficacy of deep learning for graphs. The first concerns the prediction of information-theoretic quantities for molecular simulations with supervised neural models. After that, we exploit our Bayesian models to solve a malware-classification task while being robust to intra-procedural code obfuscation techniques. We conclude the dissertation with an attempt to blend the best of the neural and Bayesian worlds together. The resulting hybrid model is able to predict multimodal distributions conditioned on input graphs, with the consequent ability to model stochasticity and uncertainty better than most works. Overall, we aim to provide a Bayesian perspective into the articulated research field of deep learning for graphs.
• Abstract（参考訳）: 構造化データの適応処理は、構造化された入力から様々な性質の出力へのマッピングを自動的に学習する方法を研究する機械学習における長年の研究トピックである。 近年、グラフの適応処理への関心が高まっており、異なるニューラルネットワークベースの方法論の開発につながっている。 本論文では,異なる経路をとり,グラフ学習のためのベイズ的深層学習フレームワークを開発した。 この論文は、この分野のほとんどの方法が構築される原則のレビューから始まり、次にグラフ分類の再現性の問題についての研究から始まっている。 次に私たちは、グラフのディープラーニングの基本アイデアとベイズの世界との橋渡しを、インクリメンタルな方法で深層アーキテクチャを構築することによって進めます。 このフレームワークは、離散的かつ連続的なエッジ特徴を持つグラフを考慮し、いくつかの分類タスクで最先端に達するのに十分な教師なしの埋め込みを生成する。 私たちのアプローチは、ほぼすべてのモデルのハイパーパラメータの選択を自動化するベイズ非パラメトリック拡張にも適しています。 2つの実世界の応用がグラフの深層学習の有効性を示している。 第一は、教師付き神経モデルを用いた分子シミュレーションのための情報理論量予測に関するものである。 その後、当社のベイズモデルを利用して、プロシージャ内のコード難読化技術に頑健なマルウェア分類タスクを解決します。 我々はこの論文を、ニューラル世界とベイズ世界のベストを融合させようと試みて締めくくった。 得られたハイブリッドモデルは、入力グラフに条件付きマルチモーダル分布を予測でき、その結果、ほとんどの作業よりも確率性と不確実性をモデル化できる。 本研究の目的は,グラフの深層学習研究分野のベイズ的視点を提供することである。

関連論文リスト

• Improving Cancer Imaging Diagnosis with Bayesian Networks and Deep Learning: A Bayesian Deep Learning Approach [0.0]
  本稿では,Deep LearningとBayesian Networkの予測モデルの背後にある理論について考察する。 画像の分類における健康産業におけるベイズ深層学習のアプローチの適用と正確性について分析する。
  論文  参考訳（メタデータ） (2024-03-28T01:27:10Z)
• Towards Graph Foundation Models: A Survey and Beyond [66.37994863159861]
  ファンデーションモデルは、さまざまな人工知能アプリケーションにおいて重要なコンポーネントとして現れてきた。 基礎モデルがグラフ機械学習研究者を一般化し、適応させる能力は、新しいグラフ学習パラダイムを開発する可能性について議論する。 本稿では,グラフ基礎モデル(GFM)の概念を紹介し,その重要な特徴と基礎技術について概説する。
  論文  参考訳（メタデータ） (2023-10-18T09:31:21Z)
• A Comprehensive Survey on Deep Graph Representation Learning [26.24869157855632]
  グラフ表現学習は、高次元スパースグラフ構造化データを低次元密度ベクトルに符号化することを目的としている。 従来の手法ではモデル能力に制限があり、学習性能に制限がある。 深層グラフ表現学習は、浅い(伝統的な)方法よりも大きな可能性と利点を示している。
  論文  参考訳（メタデータ） (2023-04-11T08:23:52Z)
• Deep networks for system identification: a Survey [56.34005280792013]
  システム識別は、入力出力データから動的システムの数学的記述を学習する。 同定されたモデルの主な目的は、以前の観測から新しいデータを予測することである。 我々は、フィードフォワード、畳み込み、リカレントネットワークなどの文献で一般的に採用されているアーキテクチャについて論じる。
  論文  参考訳（メタデータ） (2023-01-30T12:38:31Z)
• State of the Art and Potentialities of Graph-level Learning [54.68482109186052]
  グラフレベルの学習は、比較、回帰、分類など、多くのタスクに適用されている。 グラフの集合を学習する伝統的なアプローチは、サブストラクチャのような手作りの特徴に依存している。 ディープラーニングは、機能を自動的に抽出し、グラフを低次元表現に符号化することで、グラフレベルの学習をグラフの規模に適応させるのに役立っている。
  論文  参考訳（メタデータ） (2023-01-14T09:15:49Z)
• Application of Graph Neural Networks and graph descriptors for graph classification [0.0]
  グラフ表現学習のデファクト標準ディープラーニング技術として登場したグラフニューラルネットワーク(GNN)に注目した。 我々は、公正な評価実験プロトコルを設計し、適切なデータセットの収集を選択する。 我々は多くの結論に達し、新しいアルゴリズムの性能と品質に新たな光を当てた。
  論文  参考訳（メタデータ） (2022-11-07T16:25:22Z)
• Learning Graph Regularisation for Guided Super-Resolution [77.7568596501908]
  誘導超解像のための新しい定式化を導入する。 そのコアは、学習親和性グラフ上で動作する微分可能な最適化層である。 提案手法をいくつかのデータセット上で広範囲に評価し, 定量的な再構成誤差の点から最近のベースラインを一貫して上回っている。
  論文  参考訳（メタデータ） (2022-03-27T13:12:18Z)
• Bayesian Graph Contrastive Learning [55.36652660268726]
  本稿では,ランダムな拡張がエンコーダにつながることを示すグラフコントラスト学習手法の新たな視点を提案する。 提案手法は,各ノードを決定論的ベクトルに埋め込む既存の手法とは対照的に,各ノードを潜在空間の分布で表現する。 いくつかのベンチマークデータセットにおける既存の最先端手法と比較して,性能が大幅に向上したことを示す。
  論文  参考訳（メタデータ） (2021-12-15T01:45:32Z)
• Bayesian graph convolutional neural networks via tempered MCMC [0.41998444721319217]
  畳み込みニューラルネットワークのようなディープラーニングモデルは、画像やマルチメディアタスクに長い間適用されてきた。 最近では、グラフで表現できる非構造化データにもっと注意が払われている。 これらのタイプのデータは、健康と医学、ソーシャルネットワーク、および研究データリポジトリでよく見られます。
  論文  参考訳（メタデータ） (2021-04-17T04:03:25Z)
• Towards Deeper Graph Neural Networks [63.46470695525957]
  グラフ畳み込みは近傍の集約を行い、最も重要なグラフ操作の1つである。 いくつかの最近の研究で、この性能劣化は過度に滑らかな問題に起因している。 本研究では,大きな受容領域からの情報を適応的に組み込むディープ適応グラフニューラルネットワーク(DAGNN)を提案する。
  論文  参考訳（メタデータ） (2020-07-18T01:11:14Z)

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。