論文の概要: GTNet: A Tree-Based Deep Graph Learning Architecture
- arxiv url: http://arxiv.org/abs/2204.12802v1
- Date: Wed, 27 Apr 2022 09:43:14 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-28 13:10:41.782903
- Title: GTNet: A Tree-Based Deep Graph Learning Architecture
- Title（参考訳）: GTNet: ツリーベースのディープラーニングアーキテクチャ
- Authors: Nan Wu, Chaofan Wang
- Abstract要約: 本稿では,グラフのツリー表現から派生した,新しい汎用メッセージパッシング方式を用いた深層グラフ学習アーキテクチャを提案する。
2つのグラフ表現学習モデルが提案されている。GTNetアーキテクチャ - Graph Tree Attention Network (GTAN) と Graph Tree Convolution Network (GTCN) である。
- 参考スコア（独自算出の注目度）: 8.50892442127182
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We propose Graph Tree Networks (GTNets), a deep graph learning architecture
with a new general message passing scheme that originates from the tree
representation of graphs. In the tree representation, messages propagate upward
from the leaf nodes to the root node, and each node preserves its initial
information prior to receiving information from its child nodes (neighbors). We
formulate a general propagation rule following the nature of message passing in
the tree to update a node's feature by aggregating its initial feature and its
neighbor nodes' updated features. Two graph representation learning models are
proposed within this GTNet architecture - Graph Tree Attention Network (GTAN)
and Graph Tree Convolution Network (GTCN), with experimentally demonstrated
state-of-the-art performance on several popular benchmark datasets. Unlike the
vanilla Graph Attention Network (GAT) and Graph Convolution Network (GCN) which
have the "over-smoothing" issue, the proposed GTAN and GTCN models can go deep
as demonstrated by comprehensive experiments and rigorous theoretical analysis.
- Abstract（参考訳）: 本稿では,グラフのツリー表現を起源とする新しい汎用メッセージパッシングスキームを備えた,ディープグラフ学習アーキテクチャであるgraph tree networks(gtnets)を提案する。
ツリー表現では、メッセージは葉ノードから根ノードへ上向きに伝播し、各ノードは子ノードから情報を受け取る前に初期情報を保存する(neighbors)。
木内のメッセージパッシングの性質に従って一般的な伝搬規則を定式化し、初期特徴と隣接ノードの更新特徴を集約してノードの特徴を更新する。
このGTNetアーキテクチャでは、グラフツリー注意ネットワーク(GTAN)とグラフツリー畳み込みネットワーク(GTCN)の2つのグラフ表現学習モデルが提案されている。
バニラグラフ注意ネットワーク(GAT)やグラフ畳み込みネットワーク(GCN)とは異なり、提案されたGTANとGTCNモデルは、包括的な実験や厳密な理論的分析によって実証されるように、深く進むことができる。
関連論文リスト
- Saliency-Aware Regularized Graph Neural Network [39.82009838086267]
グラフ分類のためのSAR-GNN(Saliency-Aware Regularized Graph Neural Network)を提案する。
まず,コンパクトなグラフ表現とノード特徴とのセマンティックな類似性を測定することで,グローバルノードの正当性を推定する。
そして、学習した塩分濃度分布を利用して、背骨の近傍集合を規則化する。
論文 参考訳（メタデータ） (2024-01-01T13:44:16Z) - SAILOR: Structural Augmentation Based Tail Node Representation Learning [49.19653803667422]
グラフニューラルネットワーク(GNN)は近年,グラフの表現学習において最先端のパフォーマンスを実現している。
実世界のシナリオにおけるグラフのほとんどは、ノードの次数における長い尾の分布、すなわちグラフ内のノードの大部分は、わずかに連結されたエッジを持つ尾のノードである。
本稿では,SAILORと呼ばれる構造拡張に基づくTaIL nOde表現学習フレームワークを提案する。
論文 参考訳（メタデータ） (2023-08-13T16:04:03Z) - TREE-G: Decision Trees Contesting Graph Neural Networks [33.364191419692105]
TREE-Gは、グラフデータに特化した新しい分割関数を導入することで、標準的な決定木を変更する。
グラフニューラルネットワーク(GNN)やグラフカーネル(Graph Kernels)などのグラフ学習アルゴリズムでは,TREE-Gが他のツリーベースモデルより一貫して優れていることが示されています。
論文 参考訳（メタデータ） (2022-07-06T15:53:17Z) - Graph Tree Neural Networks [0.43012765978447565]
グラフツリーニューラルネットワーク(GTNN)は、人間のニューラルネットワークの構造を分析することによって、既存のネットワークの問題を解決するように設計されている。
GTNNでは、情報ユニットはグラフの形式と関連付けられ、その後再び大きな情報の単位となり、他の情報ユニットと関係を持つ。
論文 参考訳（メタデータ） (2021-10-31T07:58:00Z) - Reasoning Graph Networks for Kinship Verification: from Star-shaped to
Hierarchical [85.0376670244522]
階層型推論グラフネットワークの学習による顔の親和性検証の問題点について検討する。
より強力で柔軟なキャパシティを利用するために,星型推論グラフネットワーク(S-RGN)を開発した。
また、より強力で柔軟なキャパシティを利用する階層型推論グラフネットワーク(H-RGN)も開発しています。
論文 参考訳（メタデータ） (2021-09-06T03:16:56Z) - Neural Trees for Learning on Graphs [19.05038106825347]
グラフニューラルネットワーク(GNN)は、グラフを学習するための柔軟で強力なアプローチとして登場した。
我々はニューラルツリーという新しいGNNアーキテクチャを提案する。
神経木アーキテクチャは無向グラフ上の任意の滑らかな確率分布関数を近似できることを示す。
論文 参考訳（メタデータ） (2021-05-15T17:08:20Z) - GraphSVX: Shapley Value Explanations for Graph Neural Networks [81.83769974301995]
グラフニューラルネットワーク(GNN)は、幾何データに基づく様々な学習タスクにおいて大きな性能を発揮する。
本稿では,既存のGNN解説者の多くが満足する統一フレームワークを提案する。
GNN用に特別に設計されたポストホックローカルモデル非依存説明法であるGraphSVXを紹介します。
論文 参考訳（メタデータ） (2021-04-18T10:40:37Z) - SPAGAN: Shortest Path Graph Attention Network [187.75441278910708]
グラフ畳み込みネットワーク(GCN)は最近、グラフとして表現できる非グリッド構造データを分析する可能性を示した。
本研究では,SPAGAN (Shortest Path Graph Attention Network) と呼ばれる新しいGCNモデルを提案する。
論文 参考訳（メタデータ） (2021-01-10T03:18:34Z) - CatGCN: Graph Convolutional Networks with Categorical Node Features [99.555850712725]
CatGCNはグラフ学習に適したノード機能である。
エンドツーエンドでCatGCNを訓練し、半教師付きノード分類でそれを実証する。
論文 参考訳（メタデータ） (2020-09-11T09:25:17Z) - TreeRNN: Topology-Preserving Deep GraphEmbedding and Learning [24.04035265351755]
本研究では,グラフを木に転送する手法について検討し,特徴統合を局所的からグローバル的へと導くための明確な順序を学習する。
グラフツリー画像からパターンを最もよく学習するために,2次元RNNアーキテクチャであるTreeRNNを提案する。
論文 参考訳（メタデータ） (2020-06-21T15:22:24Z) - Graph Inference Learning for Semi-supervised Classification [50.55765399527556]
半教師付きノード分類の性能を高めるためのグラフ推論学習フレームワークを提案する。
推論過程の学習には,トレーニングノードから検証ノードへの構造関係のメタ最適化を導入する。
4つのベンチマークデータセットの総合的な評価は、最先端の手法と比較して提案したGILの優位性を示している。
論文 参考訳（メタデータ） (2020-01-17T02:52:30Z)
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。