Fugu-MT 論文翻訳(概要): Directed Graph Auto-Encoders

論文の概要: Directed Graph Auto-Encoders

arxiv url: http://arxiv.org/abs/2202.12449v1
Date: Fri, 25 Feb 2022 01:19:47 GMT
ステータス: 処理完了
システム内更新日: 2022-02-28 14:13:22.915600
Title: Directed Graph Auto-Encoders
Title（参考訳）: 有向グラフ自動エンコーダ
Authors: Georgios Kollias, Vasileios Kalantzis, Tsuyoshi Id\'e, Aur\'elie Lozano, Naoki Abe
Abstract要約: Wesfeiler-Lemanアルゴリズムのノードラベルへの直接拡張によって動機付けられた有向グラフのための新しい自動エンコーダのクラスを導入する。本稿では,提案モデルが有意な潜伏埋め込みを学習し,有向リンク予測タスクにおいて優れた性能を実現する能力を示す。
参考スコア（独自算出の注目度）: 3.2873782624127843
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We introduce a new class of auto-encoders for directed graphs, motivated by a direct extension of the Weisfeiler-Leman algorithm to pairs of node labels. The proposed model learns pairs of interpretable latent representations for the nodes of directed graphs, and uses parameterized graph convolutional network (GCN) layers for its encoder and an asymmetric inner product decoder. Parameters in the encoder control the weighting of representations exchanged between neighboring nodes. We demonstrate the ability of the proposed model to learn meaningful latent embeddings and achieve superior performance on the directed link prediction task on several popular network datasets.
Abstract（参考訳）: Wesfeiler-Lemanアルゴリズムのノードラベルへの直接拡張によって動機付けられた有向グラフのための新しい自動エンコーダのクラスを導入する。提案モデルは,有向グラフのノードに対する解釈可能な潜在表現のペアを学習し,そのエンコーダと非対称内積デコーダにパラメータ化グラフ畳み込みネットワーク(GCN)層を用いる。エンコーダ内のパラメータは、隣接するノード間で交換される表現の重み付けを制御する。本稿では,提案モデルが有意義な潜伏埋め込みを学習し,ネットワークデータセットの有向リンク予測タスクにおいて優れた性能を発揮することを示す。

関連論文リスト

Scalable Weibull Graph Attention Autoencoder for Modeling Document Networks [50.42343781348247]
解析条件後部を解析し,推論精度を向上させるグラフポアソン因子分析法(GPFA)を開発した。また,GPFAを多層構造に拡張したグラフPoisson gamma belief Network (GPGBN) を用いて,階層的な文書関係を複数の意味レベルで捉える。本モデルでは,高品質な階層型文書表現を抽出し,様々なグラフ解析タスクにおいて有望な性能を実現する。
論文参考訳（メタデータ） (2024-10-13T02:22:14Z)
Signed Graph Autoencoder for Explainable and Polarization-Aware Network Embeddings [20.77134976354226]
署名付きネットワーク用に設計されたSGAAE(Signed Graph Archetypal Autoencoder)フレームワーク。 SGAAEは、異なる極端プロファイル上でノードメンバシップを表現するノードレベル表現を抽出する。モデルは、実世界の4つのデータセット間で署名付きリンク予測の異なるタスクで高いパフォーマンスを達成する。
論文参考訳（メタデータ） (2024-09-16T16:40:40Z)
Graph Transformer GANs with Graph Masked Modeling for Architectural Layout Generation [153.92387500677023]
本稿では,グラフノード関係を効果的に学習するために,GTGAN(Graph Transformer Generative Adversarial Network)を提案する。提案したグラフ変換器エンコーダは、局所的およびグローバルな相互作用をモデル化するために、Transformer内のグラフ畳み込みと自己アテンションを組み合わせる。また,グラフ表現学習のための自己指導型事前学習手法を提案する。
論文参考訳（メタデータ） (2024-01-15T14:36:38Z)
Interpretable Node Representation with Attribute Decoding [20.591882093727413]
ノード表現学習において属性復号化が重要であることを示す。我々は、属性デコーディング(NORAD)を用いた新しい学習モデルNOde表現を提案する。
論文参考訳（メタデータ） (2022-12-03T20:20:24Z)
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)
Barlow Graph Auto-Encoder for Unsupervised Network Embedding [6.900303913555705]
本稿では,ネットワーク埋め込みを学習するシンプルなアーキテクチャであるBarlow Graph Auto-Encoderを提案する。これは、これらの射影の成分間の冗長性を最小化しながら、ノードの即時および大近傍の埋め込みベクトル間の類似性を最大化することを目的としている。提案手法は,帰納的リンク予測の有望な結果をもたらすとともに,クラスタリングや下流ノード分類の最先端技術と同等である。
論文参考訳（メタデータ） (2021-10-29T12:30:43Z)
Adaptive Multi-layer Contrastive Graph Neural Networks [11.44053611893603]
グラフニューラルネットワークのための自己教師型学習フレームワークAMC-GNN(Adaptive Multi-layer Contrastive Graph Neural Networks)を提案する。 AMC-GNNはデータ拡張により2つのグラフビューを生成し、グラフニューラルネットワークエンコーダの出力埋め込みを比較して特徴表現を得る。
論文参考訳（メタデータ） (2021-09-29T03:00:14Z)
Optimising for Interpretability: Convolutional Dynamic Alignment Networks [108.83345790813445]
我々は、畳み込み動的アライメントネットワーク(CoDA Nets)と呼ばれる新しいニューラルネットワークモデルを紹介する。彼らの中核となるビルディングブロックは動的アライメントユニット(DAU)であり、タスク関連パターンに合わせて動的に計算された重みベクトルで入力を変換するように最適化されている。 CoDAネットは一連の入力依存線形変換を通じて分類予測をモデル化し、出力を個々の入力コントリビューションに線形分解することができる。
論文参考訳（メタデータ） (2021-09-27T12:39:46Z)
Data-Driven Learning of Geometric Scattering Networks [74.3283600072357]
最近提案された幾何散乱変換の緩和に基づく新しいグラフニューラルネットワーク(GNN)モジュールを提案する。我々の学習可能な幾何散乱(LEGS)モジュールは、ウェーブレットの適応的なチューニングを可能にし、学習された表現に帯域通過の特徴が現れるように促す。
論文参考訳（メタデータ） (2020-10-06T01:20:27Z)
AEGCN: An Autoencoder-Constrained Graph Convolutional Network [5.023274927781062]
本稿では,オートエンコーダ制約付きグラフ畳み込みネットワークと呼ばれる新しいニューラルネットワークアーキテクチャを提案する。このモデルのコアはグラフ上で直接動作する畳み込みネットワークであり、隠れた層はオートエンコーダによって制約される。オートエンコーダの制約を追加することで,グラフ畳み込みネットワークの性能が大幅に向上することを示す。
論文参考訳（メタデータ） (2020-07-03T16:42:55Z)
Binarized Graph Neural Network [65.20589262811677]
我々は二項化グラフニューラルネットワークを開発し、二項化ネットワークパラメータを用いてノードのバイナリ表現を学習する。提案手法は既存のGNNベースの埋め込み手法にシームレスに統合できる。実験により、提案された二項化グラフニューラルネットワーク、すなわちBGNは、時間と空間の両方の観点から、桁違いに効率的であることが示されている。
論文参考訳（メタデータ） (2020-04-19T09:43:14Z)

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。