論文の概要: Graph-level Neural Networks: Current Progress and Future Directions

• arxiv url: http://arxiv.org/abs/2205.15555v1
• Date: Tue, 31 May 2022 06:16:55 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-01 14:53:47.656720
• Title: Graph-level Neural Networks: Current Progress and Future Directions
• Title（参考訳）: グラフレベルニューラルネットワークの現状と今後の方向性
• Authors: Ge Zhang, Jia Wu, Jian Yang, Shan Xue, Wenbin Hu, Chuan Zhou, Hao Peng, Quan Z. Sheng, Charu Aggarwal
• Abstract要約: グラフレベルのニューラルネットワーク(GLNN、ディープラーニングベースのグラフレベルの学習法)は、高次元データのモデリングにおいて優れているため、魅力的である。 本稿では,深層ニューラルネットワーク,グラフニューラルネットワーク,グラフプール上でのGLNNを網羅する系統分類法を提案する。
• 参考スコア（独自算出の注目度）: 61.08696673768116
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graph-structured data consisting of objects (i.e., nodes) and relationships among objects (i.e., edges) are ubiquitous. Graph-level learning is a matter of studying a collection of graphs instead of a single graph. Traditional graph-level learning methods used to be the mainstream. However, with the increasing scale and complexity of graphs, Graph-level Neural Networks (GLNNs, deep learning-based graph-level learning methods) have been attractive due to their superiority in modeling high-dimensional data. Thus, a survey on GLNNs is necessary. To frame this survey, we propose a systematic taxonomy covering GLNNs upon deep neural networks, graph neural networks, and graph pooling. The representative and state-of-the-art models in each category are focused on this survey. We also investigate the reproducibility, benchmarks, and new graph datasets of GLNNs. Finally, we conclude future directions to further push forward GLNNs. The repository of this survey is available at https://github.com/GeZhangMQ/Awesome-Graph-level-Neural-Networks.
• Abstract（参考訳）: オブジェクト(つまりノード)とオブジェクト(つまりエッジ)間の関係からなるグラフ構造化データは、ユビキタスである。 グラフレベルの学習は、単一のグラフではなく、グラフの集合を研究する問題である。 従来のグラフレベルの学習手法が主流だった。 しかし,グラフのスケールと複雑さの増大に伴い,グラフレベルのニューラルネットワーク(GLNN,ディープラーニングに基づくグラフレベルの学習手法)は,高次元データのモデリングにおいて優位性から注目されている。 したがって、GLNNに関する調査が必要である。 本研究では,深層ニューラルネットワーク,グラフニューラルネットワーク,グラフプール上でのGLNNを網羅する系統分類法を提案する。 各カテゴリの代表モデルと最先端モデルがこの調査に焦点を当てている。 また、GLNNの再現性、ベンチマーク、新しいグラフデータセットについても検討する。 最後に,GLNNのさらなる推進に向けた今後の方向性について述べる。 この調査のリポジトリはhttps://github.com/gezhangmq/awesome-graph-level-neural-networksで入手できる。

関連論文リスト

• Graphs Unveiled: Graph Neural Networks and Graph Generation [0.0]
  本稿では,グラフニューラルネットワーク(GNN)の概要を紹介する。 様々な領域にわたるグラフニューラルネットワークの適用について論じる。 我々は,グラフ生成という,GNNの先進的な分野を提示する。
  論文  参考訳（メタデータ） (2024-03-18T14:37:27Z)
• Knowledge Enhanced Graph Neural Networks for Graph Completion [0.0]
  Knowledge Enhanced Graph Neural Networks (KeGNN)は、グラフ補完のためのニューラルシンボリックなフレームワークである。 KeGNNは、知識強化レイヤを積み重ねた基盤としてグラフニューラルネットワークで構成されている。 我々はKeGNNを、最先端のグラフニューラルネットワーク、グラフ畳み込みネットワーク、グラフ注意ネットワークの2つと組み合わせてインスタンス化する。
  論文  参考訳（メタデータ） (2023-03-27T07:53:43Z)
• 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 the Network of Graphs for Graph Neural Networks [13.607220832670434]
  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を扱う多くのシナリオで大きな成功を収めている。 グラフは未知であり、ノードはノイズの多い特徴を持ち、グラフはノイズの多い接続を含んでいる。 これらの問題を解決するために,GL-GNNと呼ばれる新しいグラフニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2022-10-08T04:08:51Z)
• Discovering the Representation Bottleneck of Graph Neural Networks from Multi-order Interactions [51.597480162777074]
  グラフニューラルネットワーク(GNN)は、ノード機能を伝搬し、インタラクションを構築するためにメッセージパッシングパラダイムに依存している。 最近の研究は、異なるグラフ学習タスクはノード間の異なる範囲の相互作用を必要とすることを指摘している。 科学領域における2つの共通グラフ構築法、すなわち、emphK-nearest neighbor(KNN)グラフとemphfully-connected(FC)グラフについて検討する。
  論文  参考訳（メタデータ） (2022-05-15T11:38:14Z)
• 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)
• Graph Neural Networks for Graphs with Heterophily: A Survey [98.45621222357397]
  異種グラフに対するグラフニューラルネットワーク(GNN)の総合的なレビューを提供する。 具体的には,既存の異好性GNNモデルを本質的に支配する系統分類法を提案する。 グラフヘテロフィリーと様々なグラフ研究領域の相関を議論し、より効果的なGNNの開発を促進することを目的とした。
  論文  参考訳（メタデータ） (2022-02-14T23:07:47Z)
• Learning Graph Representations [0.0]
  グラフニューラルネットワーク(GNN)は、大きな動的グラフデータセットに対する洞察を得るための効率的な方法である。 本稿では,グラフ畳み込みニューラルネットワークのオートエンコーダとソーシャル・テンポラル・グラフ・ニューラルネットワークについて論じる。
  論文  参考訳（メタデータ） (2021-02-03T12:07:55Z)
• Multilevel Graph Matching Networks for Deep Graph Similarity Learning [79.3213351477689]
  グラフ構造オブジェクト間のグラフ類似性を計算するためのマルチレベルグラフマッチングネットワーク(MGMN)フレームワークを提案する。 標準ベンチマークデータセットの欠如を補うため、グラフグラフ分類とグラフグラフ回帰タスクの両方のためのデータセットセットを作成し、収集した。 総合的な実験により、MGMNはグラフグラフ分類とグラフグラフ回帰タスクの両方において、最先端のベースラインモデルより一貫して優れていることが示された。
  論文  参考訳（メタデータ） (2020-07-08T19:48:19Z)

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。