論文の概要: GPN: A Joint Structural Learning Framework for Graph Neural Networks
- arxiv url: http://arxiv.org/abs/2205.05964v1
- Date: Thu, 12 May 2022 09:06:04 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-13 14:28:08.824286
- Title: GPN: A Joint Structural Learning Framework for Graph Neural Networks
- Title(参考訳): GPN:グラフニューラルネットワークのための統合構造学習フレームワーク
- Authors: Qianggang Ding, Deheng Ye, Tingyang Xu, Peilin Zhao
- Abstract要約: グラフ構造と下流タスクを同時に学習するGNNベースの共同学習フレームワークを提案する。
本手法は,この課題を解決するためのGNNベースの二段階最適化フレームワークである。
- 参考スコア(独自算出の注目度): 36.38529113603987
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Graph neural networks (GNNs) have been applied into a variety of graph tasks.
Most existing work of GNNs is based on the assumption that the given graph data
is optimal, while it is inevitable that there exists missing or incomplete
edges in the graph data for training, leading to degraded performance. In this
paper, we propose Generative Predictive Network (GPN), a GNN-based joint
learning framework that simultaneously learns the graph structure and the
downstream task. Specifically, we develop a bilevel optimization framework for
this joint learning task, in which the upper optimization (generator) and the
lower optimization (predictor) are both instantiated with GNNs. To the best of
our knowledge, our method is the first GNN-based bilevel optimization framework
for resolving this task. Through extensive experiments, our method outperforms
a wide range of baselines using benchmark datasets.
- Abstract(参考訳): グラフニューラルネットワーク(GNN)は、さまざまなグラフタスクに適用されている。
GNNの既存の作業のほとんどは、与えられたグラフデータが最適であるという仮定に基づいているが、トレーニング用のグラフデータに欠落や不完全なエッジがあることは避けられない。
本稿では,グラフ構造と下流タスクを同時に学習するGNNベースの共同学習フレームワークである生成予測ネットワーク(GPN)を提案する。
具体的には,上位最適化(生成子)と下位最適化(予測子)の両方をgnnでインスタンス化する,この共同学習タスクのための2レベル最適化フレームワークを開発した。
我々の知る限りでは、この課題を解決するための最初のGNNベースの二段階最適化フレームワークである。
広範な実験により,本手法はベンチマークデータセットを用いて,広範囲のベースラインを上回った。
関連論文リスト
- Learning Optimal Propagation for Graph Neural Networks [43.8423133082037]
最適グラフ構造を学習するための二段階最適化に基づくアプローチを提案する。
また、時間的複雑さをさらに軽減するために、低ランク近似モデルについても検討する。
論文 参考訳(メタデータ) (2022-05-06T03:37:00Z) - Neural Graph Matching for Pre-training Graph Neural Networks [72.32801428070749]
グラフニューラルネットワーク(GNN)は、構造データのモデリングにおいて強力な能力を示している。
GMPTと呼ばれる新しいグラフマッチングベースのGNN事前学習フレームワークを提案する。
提案手法は,完全自己指導型プレトレーニングと粗粒型プレトレーニングに適用できる。
論文 参考訳(メタデータ) (2022-03-03T09:53:53Z) - GNNRank: Learning Global Rankings from Pairwise Comparisons via Directed
Graph Neural Networks [68.61934077627085]
本稿では,グラフ埋め込みを学習可能なGNNと互換性のあるモデリングフレームワークであるGNNRankを紹介する。
既存の手法と比較して,我々の手法が競争力があり,しばしば優れた性能を発揮することを示す。
論文 参考訳(メタデータ) (2022-02-01T04:19:50Z) - Towards Unsupervised Deep Graph Structure Learning [67.58720734177325]
本稿では,学習したグラフトポロジを外部ガイダンスなしでデータ自身で最適化する,教師なしグラフ構造学習パラダイムを提案する。
具体的には、元のデータから"アンカーグラフ"として学習目標を生成し、対照的な損失を用いてアンカーグラフと学習グラフとの一致を最大化する。
論文 参考訳(メタデータ) (2022-01-17T11:57:29Z) - Training Free Graph Neural Networks for Graph Matching [103.45755859119035]
TFGMは、グラフニューラルネットワーク(GNN)ベースのグラフマッチングのパフォーマンスをトレーニングなしで向上するフレームワークである。
TFGMをさまざまなGNNに適用することは、ベースラインよりも有望な改善を示している。
論文 参考訳(メタデータ) (2022-01-14T09:04:46Z) - Adaptive Kernel Graph Neural Network [21.863238974404474]
グラフニューラルネットワーク(GNN)は,グラフ構造化データの表現学習において大きな成功を収めている。
本稿では,AKGNN(Adaptive Kernel Graph Neural Network)という新しいフレームワークを提案する。
AKGNNは、最初の試みで最適なグラフカーネルに統一的に適応することを学ぶ。
評価されたベンチマークデータセットで実験を行い、提案したAKGNNの優れた性能を示す有望な結果を得た。
論文 参考訳(メタデータ) (2021-12-08T20:23:58Z) - ACE-HGNN: Adaptive Curvature Exploration Hyperbolic Graph Neural Network [72.16255675586089]
本稿では、入力グラフと下流タスクに基づいて最適な曲率を適応的に学習する適応曲率探索ハイパーボリックグラフニューラルネットワークACE-HGNNを提案する。
複数の実世界のグラフデータセットの実験は、競争性能と優れた一般化能力を備えたモデル品質において、顕著で一貫したパフォーマンス改善を示す。
論文 参考訳(メタデータ) (2021-10-15T07:18:57Z) - Optimization of Graph Neural Networks: Implicit Acceleration by Skip
Connections and More Depth [57.10183643449905]
グラフニューラルネットワーク(GNN)は表現力と一般化のレンズから研究されている。
GNNのダイナミクスを深部スキップ最適化により研究する。
本研究は,GNNの成功に対する最初の理論的支援を提供する。
論文 参考訳(メタデータ) (2021-05-10T17:59:01Z) - Analyzing the Performance of Graph Neural Networks with Pipe Parallelism [2.269587850533721]
ノードやエッジの分類やリンクの予測といったタスクで大きな成功を収めたグラフニューラルネットワーク(GNN)に注目した。
グラフ技術の進歩には,大規模ネットワーク処理のための新たなアプローチが必要である。
私たちは、ディープラーニングコミュニティで成功したと知られている既存のツールとフレームワークを使用して、GNNを並列化する方法を研究します。
論文 参考訳(メタデータ) (2020-12-20T04:20:38Z)
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。