論文の概要: GraphHD: Efficient graph classification using hyperdimensional computing
- arxiv url: http://arxiv.org/abs/2205.07826v1
- Date: Mon, 16 May 2022 17:32:58 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-17 18:29:36.449294
- Title: GraphHD: Efficient graph classification using hyperdimensional computing
- Title（参考訳）: GraphHD:超次元計算を用いた効率的なグラフ分類
- Authors: Igor Nunes, Mike Heddes, Tony Givargis, Alexandru Nicolau, Alex
Veidenbaum
- Abstract要約: 本稿では,HDCを用いたグラフ分類のベースライン手法を提案する。
実世界のグラフ分類問題におけるGraphHDの評価を行った。
その結果,最新のグラフニューラルネットワーク (GNN) と比較すると,提案手法の精度は同等であることがわかった。
- 参考スコア（独自算出の注目度）: 58.720142291102135
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Hyperdimensional Computing (HDC) developed by Kanerva is a computational
model for machine learning inspired by neuroscience. HDC exploits
characteristics of biological neural systems such as high-dimensionality,
randomness and a holographic representation of information to achieve a good
balance between accuracy, efficiency and robustness. HDC models have already
been proven to be useful in different learning applications, especially in
resource-limited settings such as the increasingly popular Internet of Things
(IoT). One class of learning tasks that is missing from the current body of
work on HDC is graph classification. Graphs are among the most important forms
of information representation, yet, to this day, HDC algorithms have not been
applied to the graph learning problem in a general sense. Moreover, graph
learning in IoT and sensor networks, with limited compute capabilities,
introduce challenges to the overall design methodology. In this paper, we
present GraphHD$-$a baseline approach for graph classification with HDC. We
evaluate GraphHD on real-world graph classification problems. Our results show
that when compared to the state-of-the-art Graph Neural Networks (GNNs) the
proposed model achieves comparable accuracy, while training and inference times
are on average 14.6$\times$ and 2.0$\times$ faster, respectively.
- Abstract（参考訳）: kanervaが開発した超次元コンピューティング(hdc)は、神経科学に触発された機械学習の計算モデルである。
HDCは、高次元性、ランダム性、情報のホログラフィック表現などの生体神経系の特性を利用して、正確性、効率、堅牢性の間のバランスを良くする。
HDCモデルは、さまざまな学習アプリケーション、特に人気が高まっているIoT(Internet of Things)のようなリソース制限設定において、すでに有用であることが証明されている。
HDCの現在の作業から欠落している学習タスクの1つのクラスは、グラフ分類である。
グラフは情報表現の最も重要な形態の1つであるが、今日では一般的にはHDCアルゴリズムはグラフ学習問題に適用されていない。
さらに、計算能力に制限のあるiotとセンサネットワークのグラフ学習は、全体的な設計方法論に課題をもたらす。
本稿では,hdcを用いたグラフ分類のベースラインアプローチとしてgraphhd$-$aを提案する。
実世界のグラフ分類問題に対するgraphhdの評価を行う。
以上の結果から,提案モデルでは,最新のグラフニューラルネットワーク(GNN)と比較して,トレーニング時間と推論時間は平均14.6$\times$と2.0$\times$よりも高速であることがわかった。
関連論文リスト
- Molecular Classification Using Hyperdimensional Graph Classification [41.38562343472387]
この研究は超次元コンピューティングを利用してグラフ学習に革新的なアプローチを導入する。
この領域における重要な応用は、様々な分子構造にまたがるがん細胞の同定である。
グラフニューラルネットワーク(GNN)やWeisfieler-Lehmanグラフカーネル(WL)のような最先端のモデルと比較して,曲線の下の面積を比較検討したHDCモデルを提案する。
論文 参考訳（メタデータ） (2024-03-18T23:16:17Z) - Hyperdimensional Computing for Node Classification and Link Prediction [0.0]
超次元表現を用いたグラフ上のトランスダクティブ学習法を提案する。
提案手法は, ランダム投影を用いたデータサンプルを高次元空間に符号化する。
ディープラーニングの手法が必要とするような,高価な反復的なトレーニングの必要性を回避します。
論文 参考訳（メタデータ） (2024-02-26T23:15:01Z) - State of the Art and Potentialities of Graph-level Learning [54.68482109186052]
グラフレベルの学習は、比較、回帰、分類など、多くのタスクに適用されている。
グラフの集合を学習する伝統的なアプローチは、サブストラクチャのような手作りの特徴に依存している。
ディープラーニングは、機能を自動的に抽出し、グラフを低次元表現に符号化することで、グラフレベルの学習をグラフの規模に適応させるのに役立っている。
論文 参考訳（メタデータ） (2023-01-14T09:15:49Z) - Learning Graph Structure from Convolutional Mixtures [119.45320143101381]
本稿では、観測されたグラフと潜伏グラフのグラフ畳み込み関係を提案し、グラフ学習タスクをネットワーク逆(デコンボリューション)問題として定式化する。
固有分解に基づくスペクトル法の代わりに、近似勾配反復をアンロール・トランケートして、グラフデコンボリューションネットワーク(GDN)と呼ばれるパラメータ化ニューラルネットワークアーキテクチャに到達させる。
GDNは、教師付き方式でグラフの分布を学習し、損失関数を適応させることでリンク予測やエッジウェイト回帰タスクを実行し、本質的に帰納的である。
論文 参考訳（メタデータ） (2022-05-19T14:08:15Z) - A Survey on Graph Representation Learning Methods [7.081604594416337]
グラフ表現学習の目的は、大きなグラフの構造と特徴を正確に捉えるグラフ表現ベクトルを生成することである。
グラフ表現学習の最も一般的な2つのカテゴリはグラフニューラルネット(GNN)とグラフニューラルネット(GNN)ベースの手法を使わずにグラフ埋め込み手法である。
論文 参考訳（メタデータ） (2022-04-04T21:18:48Z) - 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) - Hierarchical Adaptive Pooling by Capturing High-order Dependency for
Graph Representation Learning [18.423192209359158]
グラフニューラルネットワーク(GNN)はノードレベルのグラフ表現学習タスクでグラフ構造化データを扱うのに十分成熟していることが証明されている。
本稿では,グラフ構造に適応する階層型グラフレベルの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） (2021-04-13T06:22:24Z) - Graph Contrastive Learning with Augmentations [109.23158429991298]
グラフデータの教師なし表現を学習するためのグラフコントラスト学習(GraphCL)フレームワークを提案する。
我々のフレームワークは、最先端の手法と比較して、類似またはより良い一般化可能性、転送可能性、堅牢性のグラフ表現を作成できることを示す。
論文 参考訳（メタデータ） (2020-10-22T20:13:43Z) - GCC: Graph Contrastive Coding for Graph Neural Network Pre-Training [62.73470368851127]
グラフ表現学習は現実世界の問題に対処する強力な手法として登場した。
自己教師付きグラフニューラルネットワーク事前トレーニングフレームワークであるGraph Contrastive Codingを設計する。
3つのグラフ学習タスクと10のグラフデータセットについて実験を行った。
論文 参考訳（メタデータ） (2020-06-17T16:18:35Z) - Differentiable Graph Module (DGM) for Graph Convolutional Networks [44.26665239213658]
Differentiable Graph Module (DGM) は、下流タスクに最適なグラフのエッジ確率を予測する学習可能な関数である。
医療分野(退院予測)、脳画像(年齢予測)、コンピュータグラフィックス(3Dポイントクラウドセグメンテーション)、コンピュータビジョン(ゼロショット学習)の応用を幅広く評価する。
論文 参考訳（メタデータ） (2020-02-11T12:59:35Z)
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。