論文の概要: Graph Neural Networks Intersect Probabilistic Graphical Models: A Survey

• arxiv url: http://arxiv.org/abs/2206.06089v1
• Date: Tue, 24 May 2022 03:36:25 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-20 01:38:02.651641
• Title: Graph Neural Networks Intersect Probabilistic Graphical Models: A Survey
• Title（参考訳）: グラフニューラルネットワークが確率的グラフィカルモデルと交差する:調査
• Authors: Chenqing Hua
• Abstract要約: グラフニューラルネットワーク(GNN)と確率的グラフィカルモデル(PGM)の交点について検討する。 GNNは、PGMにおける構造化表現の学習、PGMによる説明可能な予測、およびPGMがオブジェクト関係を推測する方法の恩恵を受けることができる。 本稿では,最近の研究で使用されるベンチマークデータセットを要約し,将来的な方向性について論じる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Graphs are a powerful data structure to represent relational data and are widely used to describe complex real-world data structures. Probabilistic Graphical Models (PGMs) have been well-developed in the past years to mathematically model real-world scenarios in compact graphical representations of distributions of variables. Graph Neural Networks (GNNs) are new inference methods developed in recent years and are attracting growing attention due to their effectiveness and flexibility in solving inference and learning problems over graph-structured data. These two powerful approaches have different advantages in capturing relations from observations and how they conduct message passing, and they can benefit each other in various tasks. In this survey, we broadly study the intersection of GNNs and PGMs. Specifically, we first discuss how GNNs can benefit from learning structured representations in PGMs, generate explainable predictions by PGMs, and how PGMs can infer object relationships. Then we discuss how GNNs are implemented in PGMs for more efficient inference and structure learning. In the end, we summarize the benchmark datasets used in recent studies and discuss promising future directions.
• Abstract（参考訳）: グラフはリレーショナルデータを表現する強力なデータ構造であり、複雑な現実世界のデータ構造を記述するために広く使われている。 確率的グラフィカルモデル(PGM)は、変数の分布のコンパクトなグラフィカル表現において、現実のシナリオを数学的にモデル化するために、過去数年間によく開発されてきた。 グラフニューラルネットワーク(GNN)は近年開発された新しい推論手法であり、グラフ構造化データに対する推論と学習問題の解法の有効性と柔軟性から注目されている。 これら2つの強力なアプローチは、観察とメッセージパッシングの方法との関係を捉える上で異なるアドバンテージを持ち、さまざまなタスクで互いにメリットを享受することができる。 本稿では,GNN と PGM の交点を幅広く調査する。 具体的には、まず、GNNがPGMの構造化表現を学習し、PGMによる説明可能な予測を生成し、PGMがオブジェクト関係を推測する方法について論じる。 次に、より効率的な推論と構造学習のために、GNNがPGMにどのように実装されているかについて議論する。 最後に,最近の研究で使用されているベンチマークデータセットを要約し,今後の方向性について考察する。

関連論文リスト

• Revisiting Graph Neural Networks on Graph-level Tasks: Comprehensive Experiments, Analysis, and Improvements [54.006506479865344]
  グラフレベルグラフニューラルネットワーク(GNN)のための統一評価フレームワークを提案する。 このフレームワークは、さまざまなデータセットにわたるGNNを評価するための標準化された設定を提供する。 また,表現性の向上と一般化機能を備えた新しいGNNモデルを提案する。
  論文  参考訳（メタデータ） (2025-01-01T08:48:53Z)
• Towards Data-centric Machine Learning on Directed Graphs: a Survey [23.498557237805414]
  本稿では,有向グラフ学習研究のための新しい分類法を提案する。 我々はこれらの手法をデータ中心の観点から再検討し、データ表現の理解と改善に重点を置いている。 我々はこの分野における主要な機会と課題を特定し、有向グラフ学習における将来の研究と開発を導く洞察を提供する。
  論文  参考訳（メタデータ） (2024-11-28T06:09:12Z)
• Towards Graph Prompt Learning: A Survey and Beyond [38.55555996765227]
  大規模"事前訓練と迅速な学習"パラダイムは、顕著な適応性を示している。 この調査は、この分野における100以上の関連する研究を分類し、一般的な設計原則と最新の応用を要約する。
  論文  参考訳（メタデータ） (2024-08-26T06:36:42Z)
• A Systematic Review of Deep Graph Neural Networks: Challenges, Classification, Architectures, Applications & Potential Utility in Bioinformatics [0.0]
  グラフニューラルネットワーク(GNN)は、グラフ依存を表現するためにグラフノード間のメッセージ送信を使用する。 GNNは、バイオインフォマティクス研究における幅広い生物学的課題を解決するための優れたツールとなる可能性がある。
  論文  参考訳（メタデータ） (2023-11-03T10:25:47Z)
• Learning Strong Graph Neural Networks with Weak Information [64.64996100343602]
  我々は、弱い情報(GLWI)を用いたグラフ学習問題に対する原則的アプローチを開発する。 非完全構造を持つ入力グラフ上で長距離情報伝搬を行うデュアルチャネルGNNフレームワークであるD$2$PTを提案するが、グローバルな意味的類似性を符号化するグローバルグラフも提案する。
  論文  参考訳（メタデータ） (2023-05-29T04:51:09Z)
• DEGREE: Decomposition Based Explanation For Graph Neural Networks [55.38873296761104]
  我々は,GNN予測に対する忠実な説明を提供するためにDGREEを提案する。 GNNの情報生成と集約機構を分解することにより、DECREEは入力グラフの特定のコンポーネントのコントリビューションを最終的な予測に追跡することができる。 また,従来の手法で見過ごされるグラフノード間の複雑な相互作用を明らかにするために,サブグラフレベルの解釈アルゴリズムを設計する。
  論文  参考訳（メタデータ） (2023-05-22T10:29:52Z)
• 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)
• 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)
• Deep Graph Structure Learning for Robust Representations: A Survey [20.564611153151834]
  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解析に広く利用されている。 GNNモデルの堅牢性を改善するため、グラフ構造学習の中心概念を中心に多くの研究が提案されている。
  論文  参考訳（メタデータ） (2021-03-04T13:49:25Z)
• CopulaGNN: Towards Integrating Representational and Correlational Roles of Graphs in Graph Neural Networks [23.115288017590093]
  グラフニューラルネットワーク(GNN)モデルが両タイプの情報を効果的に活用する方法について検討する。 提案したCopula Graph Neural Network (CopulaGNN)は、幅広いGNNモデルをベースモデルとして扱うことができる。
  論文  参考訳（メタデータ） (2020-10-05T15:20:04Z)
• Towards Deeper Graph Neural Networks [63.46470695525957]
  グラフ畳み込みは近傍の集約を行い、最も重要なグラフ操作の1つである。 いくつかの最近の研究で、この性能劣化は過度に滑らかな問題に起因している。 本研究では,大きな受容領域からの情報を適応的に組み込むディープ適応グラフニューラルネットワーク(DAGNN)を提案する。
  論文  参考訳（メタデータ） (2020-07-18T01:11:14Z)

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。