論文の概要: Graph Neural Networks Designed for Different Graph Types: A Survey

• arxiv url: http://arxiv.org/abs/2204.03080v5
• Date: Wed, 26 Apr 2023 11:27:50 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-27 18:46:25.630616
• Title: Graph Neural Networks Designed for Different Graph Types: A Survey
• Title（参考訳）: 異なるグラフタイプ向けに設計されたグラフニューラルネットワーク:調査
• Authors: Josephine M. Thomas and Alice Moallemy-Oureh and Silvia Beddar-Wiesing and Clara Holzh\"uter
• Abstract要約: グラフニューラルネットワーク(GNN)は、グラフデータに基づく最先端の問題に対処する。 GNNがどのようなグラフタイプを処理できるかは、まだ収集されていない。 既存のGNNを概観し、異なるグラフタイプを扱う能力に応じて分類する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Graphs are ubiquitous in nature and can therefore serve as models for many practical but also theoretical problems. For this purpose, they can be defined as many different types which suitably reflect the individual contexts of the represented problem. To address cutting-edge problems based on graph data, the research field of Graph Neural Networks (GNNs) has emerged. Despite the field's youth and the speed at which new models are developed, many recent surveys have been published to keep track of them. Nevertheless, it has not yet been gathered which GNN can process what kind of graph types. In this survey, we give a detailed overview of already existing GNNs and, unlike previous surveys, categorize them according to their ability to handle different graph types and properties. We consider GNNs operating on static and dynamic graphs of different structural constitutions, with or without node or edge attributes. Moreover, we distinguish between GNN models for discrete-time or continuous-time dynamic graphs and group the models according to their architecture. We find that there are still graph types that are not or only rarely covered by existing GNN models. We point out where models are missing and give potential reasons for their absence.
• Abstract（参考訳）: グラフは本質的にユビキタスであり、多くの実用的かつ理論的な問題のモデルとして機能する。 この目的のために、それらは表現された問題の個々の文脈を適切に反映する多くの異なるタイプとして定義することができる。 グラフデータに基づく最先端問題に対処するため,グラフニューラルネットワーク(GNN)の研究分野が誕生した。 この分野の若さと新しいモデルの開発速度にもかかわらず、それらを追跡するために多くの最近の調査が公表されている。 しかしながら、GNNがどのようなグラフタイプを処理できるかはまだ収集されていない。 本調査では,既存のGNNの詳細な概要を述べるとともに,従来の調査と異なり,異なるグラフタイプやプロパティを扱う能力に応じて分類する。 我々は、ノードまたはエッジ属性の有無に関わらず、異なる構造構成の静的および動的グラフで動作するgnnを考える。 さらに、離散時間または連続時間動的グラフのGNNモデルを区別し、そのアーキテクチャに従ってモデルをグループ化する。 既存のGNNモデルにカバーされていないグラフタイプがまだ存在することが分かっています。 モデルが欠落している場所を指摘し、その欠落の潜在的な理由を指摘した。

関連論文リスト

• Graph Rewriting for Graph Neural Networks [0.0]
  グラフニューラルネットワーク(GNN)は、ノード、エッジ、属性、グラフプロパティの推論をサポートする。 グラフ書き換えは、複雑なグラフ変換をモデル化するためのグラフの規則に基づく操作を研究する。
  論文  参考訳（メタデータ） (2023-05-29T21:48:19Z)
• Probing Graph Representations [77.7361299039905]
  グラフ表現でキャプチャされた意味のある情報の量を定量化するために、探索フレームワークを使用します。 本研究は, グラフモデルにおける帰納的バイアスを理解するための探索の可能性を示すものである。 グラフベースモデルを評価する上で有用な診断ツールとして,探索を提唱する。
  論文  参考訳（メタデータ） (2023-03-07T14:58:18Z)
• A Topological characterisation of Weisfeiler-Leman equivalence classes [0.0]
  グラフニューラルネットワーク(GNN)は、グラフと信号をグラフ上で処理することを目的とした学習モデルである。 本稿では、GNNが区別できないグラフのクラスを完全に特徴づけるために、被覆空間の理論に依存する。 データセット内の識別不能グラフの数は,ノード数とともに指数関数的に増加することを示す。
  論文  参考訳（メタデータ） (2022-06-23T17:28:55Z)
• ProGNNosis: A Data-driven Model to Predict GNN Computation Time Using Graph Metrics [1.6942548626426182]
  本稿では,任意の特性のグラフ上で動作する所定のGNNモデルのGNNトレーニング時間を予測可能なデータ駆動モデルであるProGNNosisを提案する。 その結果,グラフ表現をランダムに選択した場合,ProGNNosisは平均1.22倍の高速化を実現することができた。
  論文  参考訳（メタデータ） (2022-06-16T15:58:14Z)
• Graph-level Neural Networks: Current Progress and Future Directions [61.08696673768116]
  グラフレベルのニューラルネットワーク(GLNN、ディープラーニングベースのグラフレベルの学習法)は、高次元データのモデリングにおいて優れているため、魅力的である。 本稿では,深層ニューラルネットワーク,グラフニューラルネットワーク,グラフプール上でのGLNNを網羅する系統分類法を提案する。
  論文  参考訳（メタデータ） (2022-05-31T06:16:55Z)
• Graph Neural Networks for Graphs with Heterophily: A Survey [98.45621222357397]
  異種グラフに対するグラフニューラルネットワーク(GNN)の総合的なレビューを提供する。 具体的には,既存の異好性GNNモデルを本質的に支配する系統分類法を提案する。 グラフヘテロフィリーと様々なグラフ研究領域の相関を議論し、より効果的なGNNの開発を促進することを目的とした。
  論文  参考訳（メタデータ） (2022-02-14T23:07:47Z)
• Transferability Properties of Graph Neural Networks [125.71771240180654]
  グラフニューラルネットワーク(GNN)は、中規模グラフでサポートされているデータから表現を学ぶのに成功している。 適度な大きさのグラフ上でGNNを訓練し、それらを大規模グラフに転送する問題について検討する。 その結果, (i) グラフサイズに応じて転送誤差が減少し, (ii) グラフフィルタは非線型性の散乱挙動によってGNNにおいて緩和されるような転送可能性-識別可能性トレードオフを有することがわかった。
  論文  参考訳（メタデータ） (2021-12-09T00:08:09Z)
• Meta-Inductive Node Classification across Graphs [6.0471030308057285]
  MI-GNNと呼ばれる新しいメタインダクタティブフレームワークを提案し、各グラフにインダクタティブモデルをカスタマイズする。 MI-GNNは誘導モデルを直接学習するものではなく、新しいグラフ上の半監視ノード分類のためのモデルをトレーニングする方法に関する一般的な知識を学ぶ。 5つの実世界のグラフコレクションに関する広範な実験により,提案モデルの有効性が示された。
  論文  参考訳（メタデータ） (2021-05-14T09:16:28Z)
• Distance Encoding: Design Provably More Powerful Neural Networks for Graph Representation Learning [63.97983530843762]
  グラフニューラルネットワーク(GNN)はグラフ表現学習において大きな成功を収めている。 GNNは、実際には非常に異なるグラフ部分構造に対して同一の表現を生成する。 より強力なGNNは、最近高階試験を模倣して提案され、基礎となるグラフ構造を疎結合にできないため、非効率である。 本稿では,グラフ表現学習の新たなクラスとして距離分解(DE)を提案する。
  論文  参考訳（メタデータ） (2020-08-31T23:15:40Z)
• XGNN: Towards Model-Level Explanations of Graph Neural Networks [113.51160387804484]
  グラフニューラルネットワーク(GNN)は、隣の情報を集約して組み合わせることでノードの特徴を学習する。 GNNはブラックボックスとして扱われ、人間の知的な説明が欠けている。 我々はモデルレベルでGNNを解釈する新しい手法 XGNN を提案する。
  論文  参考訳（メタデータ） (2020-06-03T23:52:43Z)
• Incomplete Graph Representation and Learning via Partial Graph Neural Networks [7.227805463462352]
  多くのアプリケーションでは、グラフノードの属性が部分的に未知/欠落している不完全な形式でグラフがやってくる可能性がある。 既存のGNNは、属性不完全なグラフデータを直接処理できない完全なグラフに基づいて設計されている。 本研究では,属性不完全グラフ表現と学習のための部分グラフニューラルネットワーク(PaGNN)を新たに開発した。
  論文  参考訳（メタデータ） (2020-03-23T08:29:59Z)

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。