論文の概要: GraphHop++: New Insights into GraphHop and Its Enhancement

• arxiv url: http://arxiv.org/abs/2204.08646v1
• Date: Tue, 19 Apr 2022 03:58:47 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-20 23:09:20.814336
• Title: GraphHop++: New Insights into GraphHop and Its Enhancement
• Title（参考訳）: GraphHop++: GraphHopの新しい洞察と拡張
• Authors: Tian Xie, Rajgopal Kannan, C.-C. Jay Kuo
• Abstract要約: GraphHopと呼ばれる拡張ラベル伝搬(LP)法が最近提案されている。 グラフ畳み込みネットワーク(GCN)は、様々なネットワーク上の半教師付きノード分類タスクにおいて優れる。 グラフ上で定義された特定の正規化問題に対して、グラフホップが代替的な最適化を提供することを示す。
• 参考スコア（独自算出の注目度）: 37.61655151222875
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: An enhanced label propagation (LP) method called GraphHop has been proposed recently. It outperforms graph convolutional networks (GCNs) in the semi-supervised node classification task on various networks. Although the performance of GraphHop was explained intuitively with joint node attributes and labels smoothening, its rigorous mathematical treatment is lacking. In this paper, new insights into GraphHop are provided by analyzing it from a constrained optimization viewpoint. We show that GraphHop offers an alternate optimization to a certain regularization problem defined on graphs. Based on this interpretation, we propose two ideas to improve GraphHop furthermore, which leads to GraphHop++. We conduct extensive experiments to demonstrate the effectiveness and efficiency of GraphHop++. It is observed that GraphHop++ outperforms all other benchmarking methods, including GraphHop, consistently on five test datasets as well as an object recognition task at extremely low label rates (i.e., 1, 2, 4, 8, 16, and 20 labeled samples per class).
• Abstract（参考訳）: GraphHopと呼ばれる拡張ラベル伝搬(LP)法が最近提案されている。 グラフ畳み込みネットワーク(GCN)は、様々なネットワーク上の半教師付きノード分類タスクにおいて優れる。 GraphHopの性能は結合ノード属性やラベルのスムーズ化と直感的に説明されているが、厳密な数学的処理は不十分である。 本稿では,グラフホップに対する新たな知見として,制約付き最適化の観点から分析する。 グラフ上で定義されたある正規化問題に対して、graphhopが代替最適化を提供することを示す。 この解釈に基づいて、GraphHopをさらに改良する2つのアイデアを提案し、GraphHop++に導く。 GraphHop++の有効性と効率を実証するために、広範な実験を行う。 GraphHop++は5つのテストデータセットと非常に低いラベルレートでのオブジェクト認識タスク(クラス毎に1, 2, 4, 8, 16, 20のラベル付きサンプル)で、GraphHopを含む他のベンチマークメソッドよりもパフォーマンスが優れていることが観察されている。

関連論文リスト

• GSINA: Improving Subgraph Extraction for Graph Invariant Learning via Graph Sinkhorn Attention [52.67633391931959]
  グラフ不変学習(GIL)は,グラフデータとそのラベル間の不変性を発見するための効果的な手法である。 グラフシンクホーン注意機構(GSINA)を提案する。 GSINAは、制御可能な空間性と柔らかさを持つ有意義で微分可能な不変部分グラフを得ることができる。
  論文  参考訳（メタデータ） (2024-02-11T12:57:16Z)
• Graph Summarization with Graph Neural Networks [2.449909275410288]
  グラフニューラルネットワークを用いて、構造化されたコンパクトな方法で大きなグラフを表現する。 異なるGNNと標準多層パーセプトロン(MLP)とブルームフィルタを非神経的手法として比較する。 以上の結果から,GNNの性能は互いに近いことが明らかとなった。
  論文  参考訳（メタデータ） (2022-03-11T13:45:34Z)
• Edge but not Least: Cross-View Graph Pooling [76.71497833616024]
  本稿では,重要なグラフ構造情報を活用するために,クロスビューグラフプーリング(Co-Pooling)手法を提案する。 クロスビュー相互作用、エッジビュープーリング、ノードビュープーリングにより、相互にシームレスに強化され、より情報的なグラフレベルの表現が学習される。
  論文  参考訳（メタデータ） (2021-09-24T08:01:23Z)
• GLAM: Graph Learning by Modeling Affinity to Labeled Nodes for Graph Neural Networks [0.0]
  グラフが存在しない場合の半教師付きグラフ学習法を提案する。 教師なしkNNグラフと教師付きラベル親和性グラフの凸結合としてグラフを学習する。 私たちの実験では、このアプローチは最先端のグラフ学習手法よりもシンプルで(最大1.5%)、トレーニングが(最大70倍)簡単で、パフォーマンスが向上することを示唆している。
  論文  参考訳（メタデータ） (2021-02-20T17:56:52Z)
• GraphHop: An Enhanced Label Propagation Method for Node Classification [34.073791157290614]
  GraphHopと呼ばれるスケーラブルな半監視ノード分類手法が提案されている。 実験結果は、GraphHopが幅広いタスクで最先端のグラフ学習方法より優れていることを示しています。
  論文  参考訳（メタデータ） (2021-01-07T02:10:20Z)
• 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)
• Multilevel Graph Matching Networks for Deep Graph Similarity Learning [79.3213351477689]
  グラフ構造オブジェクト間のグラフ類似性を計算するためのマルチレベルグラフマッチングネットワーク(MGMN)フレームワークを提案する。 標準ベンチマークデータセットの欠如を補うため、グラフグラフ分類とグラフグラフ回帰タスクの両方のためのデータセットセットを作成し、収集した。 総合的な実験により、MGMNはグラフグラフ分類とグラフグラフ回帰タスクの両方において、最先端のベースラインモデルより一貫して優れていることが示された。
  論文  参考訳（メタデータ） (2020-07-08T19:48:19Z)
• Graph Pooling with Node Proximity for Hierarchical Representation Learning [80.62181998314547]
  本稿では,ノード近接を利用したグラフプーリング手法を提案し,そのマルチホップトポロジを用いたグラフデータの階層的表現学習を改善する。 その結果,提案したグラフプーリング戦略は,公開グラフ分類ベンチマークデータセットの集合において,最先端のパフォーマンスを達成できることが示唆された。
  論文  参考訳（メタデータ） (2020-06-19T13:09:44Z)
• HopGAT: Hop-aware Supervision Graph Attention Networks for Sparsely Labeled Graphs [7.1696593196695035]
  本研究では,ノード分類タスクに対するホップ認識型注意監視機構を提案する。 また,教師付き注意係数と学習戦略の有効性を示す実験を行った。
  論文  参考訳（メタデータ） (2020-04-09T02:27:15Z)

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。