論文の概要: Asynchronous Neural Networks for Learning in Graphs

• arxiv url: http://arxiv.org/abs/2205.12245v1
• Date: Tue, 24 May 2022 17:54:29 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-25 15:10:40.616538
• Title: Asynchronous Neural Networks for Learning in Graphs
• Title（参考訳）: グラフ学習のための非同期ニューラルネットワーク
• Authors: Lukas Faber, Roger Wattenhofer
• Abstract要約: 非同期メッセージパッシング(AMP)は、ニューラルネットワークに基づく学習をグラフに適用するための新しいパラダイムである。 i)AMPが同期GNNをシミュレートでき、(ii)AMPが任意のグラフを理論的に区別できることを示す。 AMPはグラフの大きな距離でメッセージを伝播するのに適しており、いくつかのグラフ分類ベンチマークでよく機能することを示す。
• 参考スコア（独自算出の注目度）: 13.097161185372151
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper studies asynchronous message passing (AMP), a new paradigm for applying neural network based learning to graphs. Existing graph neural networks use the synchronous distributed computing model and aggregate their neighbors in each round, which causes problems such as oversmoothing and limits their expressiveness. On the other hand, AMP is based on the asynchronous model, where nodes react to messages of their neighbors individually. We prove that (i) AMP can simulate synchronous GNNs and that (ii) AMP can theoretically distinguish any pair of graphs. We experimentally validate AMP's expressiveness. Further, we show that AMP might be better suited to propagate messages over large distances in graphs and performs well on several graph classification benchmarks.
• Abstract（参考訳）: 本稿では、ニューラルネットワークに基づく学習をグラフに適用するための新しいパラダイムである非同期メッセージパッシング(AMP)について研究する。 既存のグラフニューラルネットワークは、同期分散コンピューティングモデルを使用して、各ラウンドの近傍を集約する。 一方AMPは、ノードが隣人のメッセージに個別に反応する非同期モデルに基づいている。 私たちはそれを証明します (i)AMPは同期GNNをシミュレートできる (ii) AMP は理論上任意のグラフを区別することができる。 AMPの表現性を実験的に検証した。 さらに、AMPは、グラフの広い距離でメッセージを伝播するのに適しており、いくつかのグラフ分類ベンチマークでよく機能することを示した。

関連論文リスト

• GNN-LoFI: a Novel Graph Neural Network through Localized Feature-based Histogram Intersection [51.608147732998994]
  グラフニューラルネットワークは、グラフベースの機械学習の選択フレームワークになりつつある。 本稿では,古典的メッセージパッシングに代えて,ノード特徴の局所分布を解析するグラフニューラルネットワークアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2024-01-17T13:04:23Z)
• Temporal Aggregation and Propagation Graph Neural Networks for Dynamic Representation [67.26422477327179]
  時間グラフは連続時間を通してノード間の動的相互作用を示す。 本研究では,周辺地域全体と時間的グラフ畳み込みの新たな手法を提案する。 提案するTAP-GNNは,予測性能とオンライン推論遅延の両面で,既存の時間グラフ手法よりも優れた性能を示す。
  論文  参考訳（メタデータ） (2023-04-15T08:17:18Z)
• NVDiff: Graph Generation through the Diffusion of Node Vectors [20.424372965054832]
  我々は,VGAE構造を取り入れたNVDiffを提案し,サンプルノードベクトルに先立ってフレキシブルなスコアベース生成モデル(SGM)を用いる。 NVDiffフレームワーク上に構築され,グラフの局所的コンテキストとグローバル的コンテキストの両方をキャプチャ可能なアテンションベースのスコアネットワークを導入する。
  論文  参考訳（メタデータ） (2022-11-19T20:43:39Z)
• Optimal Propagation for Graph Neural Networks [51.08426265813481]
  最適グラフ構造を学習するための二段階最適化手法を提案する。 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)
• OOD-GNN: Out-of-Distribution Generalized Graph Neural Network [73.67049248445277]
  グラフニューラルネットワーク(GNN)は、グラフデータのテストとトレーニングを同一の分布から行うことで、優れたパフォーマンスを実現している。 既存のGNNでは、テストとグラフデータのトレーニングの間に分散シフトが存在する場合、その性能が著しく低下する。 本稿では,学習グラフと異なる分布を持つ未確認試験グラフに対して,満足な性能を実現するために,アウト・オブ・ディストリビューション一般化グラフニューラルネットワーク(OOD-GNN)を提案する。
  論文  参考訳（メタデータ） (2021-12-07T16:29:10Z)
• Capsule Graph Neural Networks with EM Routing [8.632437524560133]
  本稿では、EMルーティング機構(CapsGNNEM)を用いて、高品質なグラフ埋め込みを生成する新しいCapsule Graph Neural Networkを提案する。 多くの実世界のグラフデータセットに対する実験結果から、提案したCapsGNNEMはグラフ分類タスクにおいて9つの最先端モデルより優れていることが示された。
  論文  参考訳（メタデータ） (2021-10-18T06:23:37Z)
• Learning Graph Neural Networks with Positive and Unlabeled Nodes [34.903471348798725]
  グラフニューラルネットワーク(GNN)は、グラフのノード分類など、トランスダクティブな学習タスクのための重要なツールです。 ほとんどのGNNモデルは、各ラウンドで短い距離から情報を集約し、グラフで長距離関係をキャプチャできません。 本論文では,これらの制限を克服するために,新しいグラフニューラルネットワークフレームワーク,LSDAN(Long-Short distance aggregation Network)を提案する。
  論文  参考訳（メタデータ） (2021-03-08T11:43:37Z)
• Block-Approximated Exponential Random Graphs [77.4792558024487]
  指数乱グラフ(ERG)の分野における重要な課題は、大きなグラフ上の非自明なERGの適合である。 本稿では,非自明なERGに対する近似フレームワークを提案する。 我々の手法は、数百万のノードからなるスパースグラフにスケーラブルである。
  論文  参考訳（メタデータ） (2020-02-14T11:42:16Z)

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。