論文の概要: Going Deeper into Permutation-Sensitive Graph Neural Networks

• arxiv url: http://arxiv.org/abs/2205.14368v1
• Date: Sat, 28 May 2022 08:22:10 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-31 15:24:50.751130
• Title: Going Deeper into Permutation-Sensitive Graph Neural Networks
• Title（参考訳）: 順列感性グラフニューラルネットワークへの深入り
• Authors: Zhongyu Huang, Yingheng Wang, Chaozhuo Li, Huiguang He
• Abstract要約: 置換群を経由した効率的な置換感応アグリゲーション機構を考案した。 我々は、我々のアプローチが2次元ワイスフェイラー・リーマン(英語版)(2-WL)グラフ同型テストよりも厳密に強力であることを証明した。
• 参考スコア（独自算出の注目度）: 6.685139672294716
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The invariance to permutations of the adjacency matrix, i.e., graph isomorphism, is an overarching requirement for Graph Neural Networks (GNNs). Conventionally, this prerequisite can be satisfied by the invariant operations over node permutations when aggregating messages. However, such an invariant manner may ignore the relationships among neighboring nodes, thereby hindering the expressivity of GNNs. In this work, we devise an efficient permutation-sensitive aggregation mechanism via permutation groups, capturing pairwise correlations between neighboring nodes. We prove that our approach is strictly more powerful than the 2-dimensional Weisfeiler-Lehman (2-WL) graph isomorphism test and not less powerful than the 3-WL test. Moreover, we prove that our approach achieves the linear sampling complexity. Comprehensive experiments on multiple synthetic and real-world datasets demonstrate the superiority of our model.
• Abstract（参考訳）: 隣接行列の置換に対する不変性、すなわちグラフ同型はグラフニューラルネットワーク(GNN)の包括的な要件である。 従来、この前提条件はメッセージの集約時にノード置換上の不変操作によって満たされる。 しかし、そのような不変性は隣接するノード間の関係を無視し、GNNの表現性を阻害する可能性がある。 本研究では,隣接ノード間の対関係を捉えるために,置換群を介する効率的な置換感受性凝集機構を考案する。 提案手法は2次元ワイスフェイラー・リーマングラフ同型テストよりも厳密に強力であり、3-WLテストよりも強力であることを示す。 さらに,本手法が線形サンプリング複雑性を実現することを証明する。 複数の合成および実世界のデータセットに関する総合的な実験は、我々のモデルの優位性を実証している。

関連論文リスト

• Degree-based stratification of nodes in Graph Neural Networks [66.17149106033126]
  グラフニューラルネットワーク(GNN)アーキテクチャを変更して,各グループのノードに対して,重み行列を個別に学習する。 このシンプルな実装変更により、データセットとGNNメソッドのパフォーマンスが改善されているようだ。
  論文  参考訳（メタデータ） (2023-12-16T14:09:23Z)
• Discrete Graph Auto-Encoder [52.50288418639075]
  離散グラフオートエンコーダ(DGAE)という新しいフレームワークを導入する。 まず、置換同変オートエンコーダを用いてグラフを離散潜在ノード表現の集合に変換する。 2番目のステップでは、離散潜在表現の集合をソートし、特別に設計された自己回帰モデルを用いてそれらの分布を学習する。
  論文  参考訳（メタデータ） (2023-06-13T12:40:39Z)
• Learnable Commutative Monoids for Graph Neural Networks [0.0]
  グラフニューラルネットワーク(GNN)は集約関数の選択に非常に敏感である。 繰り返しアグリゲータを備えたGNNは、最先端の置換不変アグリゲータと競合することを示す。 本稿では,学習可能な,可換な,連想的なバイナリ演算子を構築するためのフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-12-16T15:43:41Z)
• EDEN: A Plug-in Equivariant Distance Encoding to Beyond the 1-WL Test [17.027460848621434]
  グラフニューラルネットワーク(MPNN)のためのプラグインEquivariant Distance ENcoding(EDEN)を提案する。 EDENはグラフの距離行列上の一連の解釈可能な変換に由来する。 実世界のデータセットの実験では、EDENと従来のGNNの組み合わせが最近の進歩したGNNを上回っている。
  論文  参考訳（メタデータ） (2022-11-19T16:36:28Z)
• E(n) Equivariant Graph Neural Networks [86.75170631724548]
  本稿では,E(n)-Equivariant Graph Neural Networks (EGNNs) と呼ばれる回転,翻訳,反射,置換に等価なグラフニューラルネットワークを学習する新しいモデルを提案する。 既存の手法とは対照的に、私たちの仕事は計算的に高価な中間層における高階表現を必要としません。
  論文  参考訳（メタデータ） (2021-02-19T10:25:33Z)
• A Unified View on Graph Neural Networks as Graph Signal Denoising [49.980783124401555]
  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学習表現において顕著に普及している。 本研究では,代表的GNNモデル群における集約過程を,グラフ記述問題の解法とみなすことができることを数学的に確立する。 UGNNから派生した新しいGNNモデルADA-UGNNをインスタンス化し、ノード間の適応的滑らかさでグラフを処理する。
  論文  参考訳（メタデータ） (2020-10-05T04:57:18Z)
• Graph Neural Networks with Heterophily [40.23690407583509]
  我々は、ホモフィリーなグラフとヘテロフィリーなグラフのGNNを一般化するCPGNNと呼ばれる新しいフレームワークを提案する。 フレームワークの互換性行列を(純粋なホモフィリーを表す)同一性に置き換えると、GCNに還元されることを示す。
  論文  参考訳（メタデータ） (2020-09-28T18:29:36Z)
• Permutation-equivariant and Proximity-aware Graph Neural Networks with Stochastic Message Passing [88.30867628592112]
  グラフニューラルネットワーク(GNN)は、グラフ上の新たな機械学習モデルである。 置換等価性と近接認識性は、GNNにとって非常に望ましい2つの重要な特性である。 既存のGNNは、主にメッセージパッシング機構に基づいており、同時に2つの特性を保存できないことを示す。 ノードの近さを保つため,既存のGNNをノード表現で拡張する。
  論文  参考訳（メタデータ） (2020-09-05T16:46:56Z)
• Permutation Invariant Graph Generation via Score-Based Generative Modeling [114.12935776726606]
  本稿では,最近のスコアベース生成モデルを用いて,グラフモデリングにおける置換不変手法を提案する。 特に、入力グラフにおけるデータ分布の勾配をモデル化するために、置換同変のマルチチャネルグラフニューラルネットワークを設計する。 グラフ生成では、我々の学習アプローチはベンチマークデータセット上の既存のモデルよりも良い、あるいは同等の結果を得る。
  論文  参考訳（メタデータ） (2020-03-02T03:06:14Z)

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。