論文の概要: Graph Kernels Based on Multi-scale Graph Embeddings
- arxiv url: http://arxiv.org/abs/2206.00979v1
- Date: Thu, 2 Jun 2022 10:50:46 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-03 13:21:28.804779
- Title: Graph Kernels Based on Multi-scale Graph Embeddings
- Title(参考訳): 多スケールグラフ埋め込みに基づくグラフカーネル
- Authors: Wei Ye, Hao Tian, Qijun Chen
- Abstract要約: マルチスケールパスパターングラフカーネル(MPG)と呼ばれる新しいグラフカーネルを提案する。
MPGは、様々なベンチマークグラフデータセット上で最先端のパフォーマンスを達成する。
- 参考スコア(独自算出の注目度): 15.001353017784151
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Graph kernels are conventional methods for computing graph similarities.
However, most of the R-convolution graph kernels face two challenges: 1) They
cannot compare graphs at multiple different scales, and 2) they do not consider
the distributions of substructures when computing the kernel matrix. These two
challenges limit their performances. To mitigate the two challenges, we propose
a novel graph kernel called the Multi-scale Path-pattern Graph kernel (MPG), at
the heart of which is the multi-scale path-pattern node feature map. Each
element of the path-pattern node feature map is the number of occurrences of a
path-pattern around a node. A path-pattern is constructed by the concatenation
of all the node labels in a path of a truncated BFS tree rooted at each node.
Since the path-pattern node feature map can only compare graphs at local
scales, we incorporate into it the multiple different scales of the graph
structure, which are captured by the truncated BFS trees of different depth. We
use the Wasserstein distance to compute the similarity between the multi-scale
path-pattern node feature maps of two graphs, considering the distributions of
substructures. We empirically validate MPG on various benchmark graph datasets
and demonstrate that it achieves state-of-the-art performance.
- Abstract(参考訳): グラフカーネルはグラフの類似性を計算する従来の方法である。
しかし、ほとんどのR-畳み込みグラフカーネルは2つの課題に直面している。
1)複数の異なるスケールでグラフを比較することはできない。
2) カーネル行列の計算では, サブ構造分布を考慮しない。
これらの2つの課題はパフォーマンスを制限します。
この2つの課題を緩和するため,我々は,マルチスケールパスパターングラフカーネル (mpg) と呼ばれる新しいグラフカーネルを提案する。
path-patternノードの機能マップの各要素は、ノード周辺のpath-patternの発生回数である。
経路パターンは、各ノードに根付いた分岐したBFS木の経路における全てのノードラベルの連結によって構成される。
パスパターンのノード特徴マップは局所的なスケールでグラフを比較できるため、異なる深さのbfs木によってキャプチャされるグラフ構造の複数の異なるスケールを取り込むことができる。
部分構造の分布を考慮した2つのグラフのマルチスケールパスパターンノード特徴マップ間の類似性を計算するためにwasserstein距離を用いる。
我々は,様々なベンチマークグラフデータセット上でMPGを実証的に検証し,その性能を実証する。
関連論文リスト
- Exploiting Edge Features in Graphs with Fused Network Gromov-Wasserstein
Distance [18.522233517515975]
ノードとエッジが特徴を持つグラフを比較するために,Gromov-Wasserstein距離の拡張を導入する。
入力空間または出力空間でグラフが発生する学習タスクにおいて、新しい距離の有効性を実証的に示す。
論文 参考訳(メタデータ) (2023-09-28T17:05:03Z) - Graph Mixup with Soft Alignments [49.61520432554505]
本研究では,画像上での使用に成功しているミキサアップによるグラフデータの増大について検討する。
ソフトアライメントによるグラフ分類のための簡易かつ効果的な混合手法であるS-Mixupを提案する。
論文 参考訳(メタデータ) (2023-06-11T22:04:28Z) - Shortest Paths in Graphs with Matrix-Valued Edges: Concepts, Algorithm
and Application to 3D Multi-Shape Analysis [69.08838724594584]
グラフ内の最短経路を見つけることは、コンピュータビジョンやグラフィックスにおける多くの問題に関係している。
本稿では,行列値のエッジを持つグラフにおいて,最短経路のグラフ理論を新たに導入する。
論文 参考訳(メタデータ) (2021-12-08T08:23:37Z) - Edge but not Least: Cross-View Graph Pooling [76.71497833616024]
本稿では,重要なグラフ構造情報を活用するために,クロスビューグラフプーリング(Co-Pooling)手法を提案する。
クロスビュー相互作用、エッジビュープーリング、ノードビュープーリングにより、相互にシームレスに強化され、より情報的なグラフレベルの表現が学習される。
論文 参考訳(メタデータ) (2021-09-24T08:01:23Z) - LCS Graph Kernel Based on Wasserstein Distance in Longest Common
Subsequence Metric Space [22.215852332444904]
パスとウォークのより包括的類似性を計算するグラフカーネルを提案する。
また、グラフのより深い特徴を抽出するために、最適輸送理論と組み合わせる。
提案手法は多くの最先端グラフカーネル手法に勝る。
論文 参考訳(メタデータ) (2020-12-07T11:59:14Z) - Transport based Graph Kernels [30.541423115387097]
グラフカーネルはグラフ間の類似性を測定する強力なツールである。
既存のグラフカーネルのほとんどはノードラベルや属性に重点を置いており、グラフ階層構造情報を無視している。
最適輸送(OT)に基づくピラミッドグラフカーネルを提案する。
提案したグラフカーネルをいくつかのベンチマーク分類タスクで評価し、その性能を既存の最先端グラフカーネルと比較する。
論文 参考訳(メタデータ) (2020-11-02T04:44:27Z) - Topology-Aware Graph Pooling Networks [51.9008939769679]
ポーリング操作はコンピュータビジョンや自然言語処理タスクに有効である。
グラフデータ上でプーリング操作を実行する上での課題のひとつは、グラフ上で明確に定義されていない局所性の欠如である。
本稿では,グラフトポロジを明示的に考慮したトポロジ対応プーリング(TAP)層を提案する。
論文 参考訳(メタデータ) (2020-10-19T20:14:30Z) - Graph Pooling with Node Proximity for Hierarchical Representation
Learning [80.62181998314547]
本稿では,ノード近接を利用したグラフプーリング手法を提案し,そのマルチホップトポロジを用いたグラフデータの階層的表現学習を改善する。
その結果,提案したグラフプーリング戦略は,公開グラフ分類ベンチマークデータセットの集合において,最先端のパフォーマンスを達成できることが示唆された。
論文 参考訳(メタデータ) (2020-06-19T13:09:44Z) - Wasserstein Embedding for Graph Learning [33.90471037116372]
Wasserstein Embedding for Graph Learning (WEGL)は、グラフ全体をベクトル空間に埋め込むフレームワークである。
グラフ間の類似性をノード埋め込み分布間の類似性の関数として定義する上で,新たな知見を活用する。
各種ベンチマークグラフ固有性予測タスクにおける新しいグラフ埋め込み手法の評価を行った。
論文 参考訳(メタデータ) (2020-06-16T18:23:00Z) - Wasserstein-based Graph Alignment [56.84964475441094]
我々は,より小さいグラフのノードと大きなグラフのノードをマッチングすることを目的とした,1対多のグラフアライメント問題に対する新しい定式化を行った。
提案手法は,各タスクに対する最先端のアルゴリズムに対して,大幅な改善をもたらすことを示す。
論文 参考訳(メタデータ) (2020-03-12T22:31:59Z) - Tree++: Truncated Tree Based Graph Kernels [5.819012768798548]
グラフカーネルはグラフをサブ構造に分解し、これらのサブ構造を比較するためにしばしば使用される。
この問題に対処するため,本論文ではTree++と呼ばれる新しいグラフカーネルを提案する。
Tree++は、以前のグラフカーネルと比較して、最高の分類精度を実現している。
論文 参考訳(メタデータ) (2020-02-23T07:07:10Z)
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。