論文の概要: Multi-scale Wasserstein Shortest-path Filtration Kernels on Graphs
- arxiv url: http://arxiv.org/abs/2206.00979v3
- Date: Mon, 11 Sep 2023 07:08:52 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-12 23:32:25.845028
- Title: Multi-scale Wasserstein Shortest-path Filtration Kernels on Graphs
- Title（参考訳）: グラフ上のマルチスケールワッサースタイン短経路フィルタカーネル
- Authors: Wei Ye, Hao Tian, Qijun Chen
- Abstract要約: We developed a novel shortest-path graph kernel called the Multi-scale Wasserstein Shortest-Path filtration graph kernel (MWSPF)。
これら2つの課題を克服するために,マルチスケールワッサーシュタイン短パスグラフカーネル (MWSPF) と呼ばれる新しい短パスグラフカーネルを開発した。
- 参考スコア（独自算出の注目度）: 27.02065437135201
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The traditional shortest-path graph kernel (SP) is one of the most popular
graph kernels. It decomposes graphs into shortest paths and computes their
frequencies in each graph. However, SP has two main challenges: Firstly, the
triplet representation of the shortest path loses information. Secondly, SP
compares graphs without considering the multiple different scales of the graph
structure which is common in real-world graphs, e.g., the chain-, ring-, and
star-structures in social networks. To overcome these two challenges, we
develop a novel shortest-path graph kernel called the Multi-scale Wasserstein
Shortest-Path Filtration graph kernel (MWSPF). It uses a BFS tree of a certain
depth rooted at each vertex to restrict the maximum length of the shortest path
considering the small world property. It considers the labels of all the
vertices in the shortest path. To facilitate the comparison of graphs at
multiple different scales, it augments graphs from both the aspects of the
vertex and the graph structure. The distribution (frequency) of the shortest
path changes across augmented graphs and the Wasserstein distance is employed
to track the changes. We conduct experiments on various benchmark graph
datasets to evaluate MWSPF's performance. MWSPF is superior to the
state-of-the-art on most datasets.
- Abstract（参考訳）: 従来の短パスグラフカーネル(sp)は最も人気のあるグラフカーネルの1つである。
グラフを最短経路に分解し、各グラフの周波数を計算する。
しかしspには2つの大きな課題がある: まず、最短経路の三重項表現は情報を失う。
第二にspは、実世界のグラフでよく見られるグラフ構造の複数の異なるスケール、例えばソーシャルネットワークのチェーン、リング、スター構造を考慮せずにグラフを比較する。
これら2つの課題を克服するために,マルチスケールワッサースタイン短絡グラフカーネル (MWSPF) と呼ばれる新しい短絡グラフカーネルを開発した。
各頂点に根付いた一定の深さのBFS木を用いて、小世界特性を考慮した最短経路の最大長を制限している。
最短経路における全ての頂点のラベルを考える。
複数の異なるスケールでのグラフの比較を容易にするために、頂点とグラフ構造の両方の側面からグラフを強化する。
最短経路の分布(周波数)は拡張グラフをまたいで変化し、ワッサースタイン距離は変化を追跡するために用いられる。
MWSPFの性能を評価するために,様々なベンチマークグラフデータセットの実験を行った。
MWSPFは、ほとんどのデータセットの最先端よりも優れている。
関連論文リスト
- InstructG2I: Synthesizing Images from Multimodal Attributed Graphs [50.852150521561676]
InstructG2Iと呼ばれるグラフ文脈条件拡散モデルを提案する。
InstructG2Iはまずグラフ構造とマルチモーダル情報を利用して情報的隣人サンプリングを行う。
Graph-QFormerエンコーダは、グラフノードをグラフプロンプトの補助セットに適応的に符号化し、デノナイジングプロセスを導く。
論文 参考訳（メタデータ） (2024-10-09T17:56:15Z) - 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) - GraphHop: An Enhanced Label Propagation Method for Node Classification [34.073791157290614]
GraphHopと呼ばれるスケーラブルな半監視ノード分類手法が提案されている。
実験結果は、GraphHopが幅広いタスクで最先端のグラフ学習方法より優れていることを示しています。
論文 参考訳（メタデータ） (2021-01-07T02:10:20Z) - 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) - Partial Gromov-Wasserstein Learning for Partial Graph Matching [28.47269200800775]
部分的なGromov-Wasserstein学習フレームワークは2つのグラフを部分的にマッチングするために提案される。
私たちのフレームワークはF1スコアを少なくとも20%以上改善できます。
論文 参考訳（メタデータ） (2020-12-02T14:56:22Z) - Line Graph Neural Networks for Link Prediction [71.00689542259052]
実世界の多くのアプリケーションにおいて古典的なグラフ解析問題であるグラフリンク予測タスクについて検討する。
このフォーマリズムでは、リンク予測問題をグラフ分類タスクに変換する。
本稿では,線グラフをグラフ理論に用いて,根本的に異なる新しい経路を求めることを提案する。
特に、線グラフの各ノードは、元のグラフのユニークなエッジに対応するため、元のグラフのリンク予測問題は、グラフ分類タスクではなく、対応する線グラフのノード分類問題として等価に解決できる。
論文 参考訳（メタデータ） (2020-10-20T05:54:31Z) - 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。