論文の概要: Boosting Graph Structure Learning with Dummy Nodes
- arxiv url: http://arxiv.org/abs/2206.08561v1
- Date: Fri, 17 Jun 2022 05:44:24 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-20 14:34:19.526448
- Title: Boosting Graph Structure Learning with Dummy Nodes
- Title(参考訳): ダミーノードによるグラフ構造学習の強化
- Authors: Xin Liu, Jiayang Cheng, Yangqiu Song, Xin Jiang
- Abstract要約: グラフカーネルとグラフニューラルネットワークをダミーノードで拡張し、グラフ分類とサブグラフ同型マッチングタスクの実験を行う。
このようなダミーノードは、効率的な一様エッジ-頂点変換とエピモルフィック逆を構築し、元のグラフを復元するのに役立つことを証明している。
- 参考スコア(独自算出の注目度): 41.83708114701956
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: With the development of graph kernels and graph representation learning, many
superior methods have been proposed to handle scalability and oversmoothing
issues on graph structure learning. However, most of those strategies are
designed based on practical experience rather than theoretical analysis. In
this paper, we use a particular dummy node connecting to all existing vertices
without affecting original vertex and edge properties. We further prove that
such the dummy node can help build an efficient monomorphic edge-to-vertex
transform and an epimorphic inverse to recover the original graph back. It also
indicates that adding dummy nodes can preserve local and global structures for
better graph representation learning. We extend graph kernels and graph neural
networks with dummy nodes and conduct experiments on graph classification and
subgraph isomorphism matching tasks. Empirical results demonstrate that taking
graphs with dummy nodes as input significantly boosts graph structure learning,
and using their edge-to-vertex graphs can also achieve similar results. We also
discuss the gain of expressive power from the dummy in neural networks.
- Abstract(参考訳): グラフカーネルとグラフ表現学習の開発により、グラフ構造学習におけるスケーラビリティと過度な問題に対処する多くの優れた手法が提案されている。
しかし、これらの戦略のほとんどは理論解析よりも実践的な経験に基づいて設計されている。
本稿では,既存のすべての頂点と接続するダミーノードを,元の頂点やエッジ特性に影響を与えずに使用する。
さらに、このようなダミーノードは、効率的な一様エッジ-頂点変換とエピモルフィック逆を構築でき、元のグラフを復元できることを示す。
また、ダミーノードの追加は、グラフ表現学習を改善するためにローカルおよびグローバル構造を保存できることを示している。
グラフカーネルとグラフニューラルネットワークをダミーノードで拡張し,グラフ分類と部分グラフ同型マッチングタスクの実験を行う。
実験の結果、ダミーノードを入力とするグラフはグラフ構造学習を著しく促進し、edge-to-vertexグラフも同様の結果が得られることがわかった。
また,ニューラルネットワークにおけるダミーからの表現力の獲得についても論じる。
関連論文リスト
- Saliency-Aware Regularized Graph Neural Network [39.82009838086267]
グラフ分類のためのSAR-GNN(Saliency-Aware Regularized Graph Neural Network)を提案する。
まず,コンパクトなグラフ表現とノード特徴とのセマンティックな類似性を測定することで,グローバルノードの正当性を推定する。
そして、学習した塩分濃度分布を利用して、背骨の近傍集合を規則化する。
論文 参考訳(メタデータ) (2024-01-01T13:44:16Z) - NodeFormer: A Scalable Graph Structure Learning Transformer for Node
Classification [70.51126383984555]
本稿では,任意のノード間のノード信号を効率的に伝搬する全ペアメッセージパッシング方式を提案する。
効率的な計算は、カーナライズされたGumbel-Softmax演算子によって実現される。
グラフ上のノード分類を含む様々なタスクにおいて,本手法の有望な有効性を示す実験を行った。
論文 参考訳(メタデータ) (2023-06-14T09:21:15Z) - Spectral Augmentations for Graph Contrastive Learning [50.149996923976836]
コントラスト学習は、監督の有無にかかわらず、表現を学習するための第一の方法として現れてきた。
近年の研究では、グラフ表現学習における事前学習の有用性が示されている。
本稿では,グラフの対照的な目的に対する拡張を構築する際に,候補のバンクを提供するためのグラフ変換操作を提案する。
論文 参考訳(メタデータ) (2023-02-06T16:26:29Z) - 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) - GraphSVX: Shapley Value Explanations for Graph Neural Networks [81.83769974301995]
グラフニューラルネットワーク(GNN)は、幾何データに基づく様々な学習タスクにおいて大きな性能を発揮する。
本稿では,既存のGNN解説者の多くが満足する統一フレームワークを提案する。
GNN用に特別に設計されたポストホックローカルモデル非依存説明法であるGraphSVXを紹介します。
論文 参考訳(メタデータ) (2021-04-18T10:40:37Z) - Generating a Doppelganger Graph: Resembling but Distinct [5.618335078130568]
本論文では,与えられたグラフ特性に類似したドッペルガンガーグラフを生成する手法を提案する。
このアプローチは、グラフ表現学習、生成的敵ネットワーク、およびグラフ実現アルゴリズムのオーケストレーションである。
論文 参考訳(メタデータ) (2021-01-23T22:08:27Z) - Co-embedding of Nodes and Edges with Graph Neural Networks [13.020745622327894]
グラフ埋め込みは、高次元および非ユークリッド特徴空間でデータ構造を変換しエンコードする方法である。
CensNetは一般的なグラフ埋め込みフレームワークで、ノードとエッジの両方を潜在機能空間に埋め込む。
提案手法は,4つのグラフ学習課題における最先端のパフォーマンスを達成または一致させる。
論文 参考訳(メタデータ) (2020-10-25T22:39:31Z) - 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) - Learning Deep Graph Representations via Convolutional Neural Networks [7.1945109570193795]
本稿では,グラフ特徴写像の深部表現を学習するためのDeepMapというフレームワークを提案する。
グラフの学習された深部表現は、複雑な高次相互作用をキャプチャする密度で低次元のベクトルである。
我々は、様々なグラフ分類ベンチマークでDeepMapを実証的に検証し、最先端のパフォーマンスを実現することを実証した。
論文 参考訳(メタデータ) (2020-04-05T08:49:27Z)
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。