論文の概要: Structural Entropy Guided Graph Hierarchical Pooling

• arxiv url: http://arxiv.org/abs/2206.13510v1
• Date: Sun, 26 Jun 2022 06:30:54 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-29 13:30:54.720433
• Title: Structural Entropy Guided Graph Hierarchical Pooling
• Title（参考訳）: 構造エントロピー誘導グラフ階層プーリング
• Authors: Junran Wu, Xueyuan Chen, Ke Xu, Shangzhe Li
• Abstract要約: 本稿では,局所的な構造損傷と準最適問題の2つの問題に対処するために,階層型プール手法であるSEPを提案する。 SEPはグラフ分類ベンチマークにおいて最先端のグラフプーリング法より優れ、ノード分類では優れた性能が得られる。
• 参考スコア（独自算出の注目度）: 8.080910755718511
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Following the success of convolution on non-Euclidean space, the corresponding pooling approaches have also been validated on various tasks regarding graphs. However, because of the fixed compression quota and stepwise pooling design, these hierarchical pooling methods still suffer from local structure damage and suboptimal problem. In this work, inspired by structural entropy, we propose a hierarchical pooling approach, SEP, to tackle the two issues. Specifically, without assigning the layer-specific compression quota, a global optimization algorithm is designed to generate the cluster assignment matrices for pooling at once. Then, we present an illustration of the local structure damage from previous methods in the reconstruction of ring and grid synthetic graphs. In addition to SEP, we further design two classification models, SEP-G and SEP-N for graph classification and node classification, respectively. The results show that SEP outperforms state-of-the-art graph pooling methods on graph classification benchmarks and obtains superior performance on node classifications.
• Abstract（参考訳）: 非ユークリッド空間上の畳み込みの成功に続いて、対応するプーリングアプローチもグラフに関する様々なタスクで検証されている。 しかし,固定圧縮クオータとステップワイズプーリング設計により,これらの階層プーリング手法は局所的な構造損傷や準最適問題に苦しんでいる。 構造エントロピーに触発された本研究では,2つの問題に対処するための階層型プール手法であるSEPを提案する。 具体的には、層固有の圧縮クォータを割り当てることなく、クラスタ割り当て行列を一度に生成するグローバル最適化アルゴリズムを設計する。 次に,リンググラフとグリッドグラフの再構成における従来の手法による局所構造損傷の例を示す。 SEPに加えて、グラフ分類のためのSEP-GとSEP-Nという2つの分類モデルも設計する。 その結果,sepはグラフ分類ベンチマークにおいて最先端グラフプーリング法を上回り,ノード分類において優れた性能を得た。

関連論文リスト

• HC-GAE: The Hierarchical Cluster-based Graph Auto-Encoder for Graph Representation Learning [24.641827220223682]
  グラフデータ解析に有効な構造特性を学習できる階層型クラスタベースGAE(HC-GAE)を開発した。 提案したHC-GAEは,ノード分類やグラフ分類に有効な表現を生成できる。
  論文  参考訳（メタデータ） (2024-05-23T16:08:04Z)
• SSHPool: The Separated Subgraph-based Hierarchical Pooling [47.78745802682822]
  グラフ分類のための新しい局所グラフプーリング法,すなわち分離部分グラフベース階層プール(SSH)を開発した。 局所グラフ畳み込み単位を局所構造として個別に用いて各部分グラフをより粗いノードに圧縮する。 我々は、グラフ分類のためのSSHPoolモジュールに関連するエンドツーエンドのGNNフレームワークを開発する。
  論文  参考訳（メタデータ） (2024-03-24T13:03:35Z)
• Graph Parsing Networks [64.5041886737007]
  本稿では,効率的なグラフ解析アルゴリズムを提案する。 結果として得られるグラフパーシングネットワーク(GPN)は、個々のグラフに対してパーソナライズされたプーリング構造を適応的に学習する。
  論文  参考訳（メタデータ） (2024-02-22T09:08:36Z)
• Higher-order Clustering and Pooling for Graph Neural Networks [77.47617360812023]
  グラフニューラルネットワークは、多数のグラフ分類タスクにおいて最先端のパフォーマンスを達成する。 HoscPoolはクラスタリングベースのグラフプーリング演算子で、階層的に高階情報をキャプチャする。 グラフ分類タスクにおいてHoscPoolを評価し,そのクラスタリングコンポーネントを地層構造を持つグラフ上で評価する。
  論文  参考訳（メタデータ） (2022-09-02T09:17:10Z)
• Comprehensive Graph Gradual Pruning for Sparse Training in Graph Neural Networks [52.566735716983956]
  本稿では,CGPと呼ばれるグラフの段階的プルーニングフレームワークを動的にGNNに提案する。 LTHに基づく手法とは異なり、提案手法では再学習を必要とせず、計算コストを大幅に削減する。 提案手法は,既存の手法の精度を一致させたり,あるいは超えたりしながら,トレーニングと推論の効率を大幅に向上させる。
  論文  参考訳（メタデータ） (2022-07-18T14:23:31Z)
• SIGMA: A Structural Inconsistency Reducing Graph Matching Algorithm [21.1095092767297]
  グラフマッチングの精度、構造的不整合(SI)を測定するための新しい基準を提案する。 具体的には、SIは、グラフのマルチホップ構造に対応するために熱拡散ウェーブレットを組み込む。 ミラー降下法を用いて,新しいK-ホップ構造に基づくマッチングコストでGromov-Wasserstein距離を解くことにより,SIGMAを導出可能であることを示す。
  論文  参考訳（メタデータ） (2022-02-06T15:18:37Z)
• Towards Unsupervised Deep Graph Structure Learning [67.58720734177325]
  本稿では,学習したグラフトポロジを外部ガイダンスなしでデータ自身で最適化する,教師なしグラフ構造学習パラダイムを提案する。 具体的には、元のデータから"アンカーグラフ"として学習目標を生成し、対照的な損失を用いてアンカーグラフと学習グラフとの一致を最大化する。
  論文  参考訳（メタデータ） (2022-01-17T11:57:29Z)
• Structure-Aware Hierarchical Graph Pooling using Information Bottleneck [2.7088996845250897]
  グラフプーリングは、グラフ分類および回帰タスクにおけるグラフニューラルネットワーク(GNN)の重要な要素です。 本稿では,情報ボトルネック(IB)の原理を応用した,HIBPoolという新しいプール手法を提案する。 また,グラフの局所部分グラフ構造をキャプチャするために,新しい構造認識型識別プーリング読み出し(dip-readout)関数を導入する。
  論文  参考訳（メタデータ） (2021-04-27T07:27:43Z)
• Spatial-Spectral Clustering with Anchor Graph for Hyperspectral Image [88.60285937702304]
  本稿では、HSIデータクラスタリングのための空間スペクトルクラスタリングとアンカーグラフ(SSCAG)という新しい非監視アプローチを提案する。 提案されたSSCAGは最先端のアプローチと競合する。
  論文  参考訳（メタデータ） (2021-04-24T08:09:27Z)
• SimPool: Towards Topology Based Graph Pooling with Structural Similarity Features [0.0]
  本稿では,2つの主要な寄与について提案する。1つ目は,隣接行列に基づく構造的類似性を計算した差分モジュールである。 2つ目の主な貢献は、これらの機能をDiffPool arXiv:1806.08804の再検討されたプール層と統合し、SimPoolと呼ばれるプーリング層を提案することである。 実験の結果、エンドツーエンドのグラフニューラルネットワークアーキテクチャの一部として、SimPoolは、より局所性に近いノードクラスタ割り当てを計算する。
  論文  参考訳（メタデータ） (2020-06-03T12:51:57Z)

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。