論文の概要: Graph Trees with Attention

• arxiv url: http://arxiv.org/abs/2207.02760v1
• Date: Wed, 6 Jul 2022 15:53:17 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-07 16:48:28.826352
• Title: Graph Trees with Attention
• Title（参考訳）: 注目されるグラフツリー
• Authors: Maya Bechler-Speicher, Amir Globerson, Ran Gilad-Bachrach
• Abstract要約: 我々は,グラフ上での操作を意図した,木に基づく学習アルゴリズムの新たなファミリであるGraph Trees with Attention (GTA)を紹介した。 GTAは、グラフのサブ構造に集中する決定を可能にするアテンションメカニズムを採用している。 グラフニューラルネットワーク(GNN)やグラフカーネル(Graph Kernels)などのグラフ学習アルゴリズムでは,GTAは常に他のツリーベースモデルよりも優れています。
• 参考スコア（独自算出の注目度）: 31.087460453707504
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: When dealing with tabular data, models based on regression and decision trees are a popular choice due to the high accuracy they provide on such tasks and their ease of application as compared to other model classes. Yet, when it comes to graph-structure data, current tree learning algorithms do not provide tools to manage the structure of the data other than relying on feature engineering. In this work we address the above gap, and introduce Graph Trees with Attention (GTA), a new family of tree-based learning algorithms that are designed to operate on graphs. GTA leverages both the graph structure and the features at the vertices and employs an attention mechanism that allows decisions to concentrate on sub-structures of the graph. We analyze GTA models and show that they are strictly more expressive than plain decision trees. We also demonstrate the benefits of GTA empirically on multiple graph and node prediction benchmarks. In these experiments, GTA always outperformed other tree-based models and often outperformed other types of graph-learning algorithms such as Graph Neural Networks (GNNs) and Graph Kernels. Finally, we also provide an explainability mechanism for GTA, and demonstrate it can provide intuitive explanations.
• Abstract（参考訳）: 表データを扱う場合、回帰と決定木に基づくモデルは、そのようなタスクで高い精度と、他のモデルクラスと比較してアプリケーションの容易さのため、一般的な選択である。 しかし、グラフ構造データに関しては、現在のツリー学習アルゴリズムは、機能工学以外のデータ構造を管理するためのツールを提供していません。 本研究では,このギャップに対処し,グラフ操作用に設計された木に基づく学習アルゴリズムの新たなファミリであるGraph Trees with Attention (GTA)を導入する。 GTAは頂点におけるグラフ構造と特徴の両方を活用し、グラフのサブ構造に集中する決定を可能にする注意機構を採用している。 我々は, gtaモデルを分析し, 単純な決定木よりも表現力が高いことを示す。 また、複数のグラフおよびノード予測ベンチマークでgtaの利点を実証する。 これらの実験では、GTAは常に他のツリーベースモデルより優れており、グラフニューラルネットワーク(GNN)やグラフカーネルなど、他のタイプのグラフ学習アルゴリズムよりも優れています。 最後に,gtaの説明可能性機構も提供し,直感的な説明ができることを実証する。

関連論文リスト

• The GECo algorithm for Graph Neural Networks Explanation [0.0]
  本稿では,グラフ分類問題の解釈可能性に対処するために,グラフコミュニティを包含する新たな方法論を提案する。 GECoと呼ばれる提案手法は、コミュニティがグラフノードの密結合部分集合であるなら、この性質はグラフ分類において役割を果たすべきであるという考えを生かしている。 得られた結果は、人工グラフデータセットおよびほとんどの実世界のデータセットの他の手法よりも優れている。
  論文  参考訳（メタデータ） (2024-11-18T09:08:30Z)
• DGNN: Decoupled Graph Neural Networks with Structural Consistency between Attribute and Graph Embedding Representations [62.04558318166396]
  グラフニューラルネットワーク(GNN)は、複雑な構造を持つグラフ上での表現学習の堅牢性を示す。 ノードのより包括的な埋め込み表現を得るために、Decoupled Graph Neural Networks (DGNN)と呼ばれる新しいGNNフレームワークが導入された。 複数のグラフベンチマークデータセットを用いて、ノード分類タスクにおけるDGNNの優位性を検証した。
  論文  参考訳（メタデータ） (2024-01-28T06:43:13Z)
• GTNet: A Tree-Based Deep Graph Learning Architecture [8.50892442127182]
  本稿では,グラフのツリー表現から派生した,新しい汎用メッセージパッシング方式を用いた深層グラフ学習アーキテクチャを提案する。 2つのグラフ表現学習モデルが提案されている。GTNetアーキテクチャ - Graph Tree Attention Network (GTAN) と Graph Tree Convolution Network (GTCN) である。
  論文  参考訳（メタデータ） (2022-04-27T09:43:14Z)
• Neural Graph Matching for Pre-training Graph Neural Networks [72.32801428070749]
  グラフニューラルネットワーク(GNN)は、構造データのモデリングにおいて強力な能力を示している。 GMPTと呼ばれる新しいグラフマッチングベースのGNN事前学習フレームワークを提案する。 提案手法は,完全自己指導型プレトレーニングと粗粒型プレトレーニングに適用できる。
  論文  参考訳（メタデータ） (2022-03-03T09:53:53Z)
• Node Feature Extraction by Self-Supervised Multi-scale Neighborhood Prediction [123.20238648121445]
  我々は、新しい自己教師型学習フレームワーク、グラフ情報支援ノード機能exTraction (GIANT)を提案する。 GIANT は eXtreme Multi-label Classification (XMC) 形式を利用しており、これはグラフ情報に基づいた言語モデルの微調整に不可欠である。 我々は,Open Graph Benchmarkデータセット上での標準GNNパイプラインよりもGIANTの方が優れた性能を示す。
  論文  参考訳（メタデータ） (2021-10-29T19:55:12Z)
• Explicit Pairwise Factorized Graph Neural Network for Semi-Supervised Node Classification [59.06717774425588]
  本稿では,グラフ全体を部分的に観測されたマルコフ確率場としてモデル化するEPFGNN(Explicit Pairwise Factorized Graph Neural Network)を提案する。 出力-出力関係をモデル化するための明示的なペアワイズ要素を含み、入力-出力関係をモデル化するためにGNNバックボーンを使用する。 本研究では,グラフ上での半教師付きノード分類の性能を効果的に向上できることを示す。
  論文  参考訳（メタデータ） (2021-07-27T19:47:53Z)
• Neural Trees for Learning on Graphs [19.05038106825347]
  グラフニューラルネットワーク(GNN)は、グラフを学習するための柔軟で強力なアプローチとして登場した。 我々はニューラルツリーという新しいGNNアーキテクチャを提案する。 神経木アーキテクチャは無向グラフ上の任意の滑らかな確率分布関数を近似できることを示す。
  論文  参考訳（メタデータ） (2021-05-15T17:08:20Z)
• 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)
• Scalable Graph Neural Networks for Heterogeneous Graphs [12.44278942365518]
  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を学習するためのパラメトリックモデルの一般的なクラスである。 最近の研究は、GNNが主に機能をスムースにするためにグラフを使用しており、ベンチマークタスクで競合する結果を示していると主張している。 本研究では、これらの結果が異種グラフに拡張可能かどうかを問うとともに、異なるエンティティ間の複数のタイプの関係を符号化する。
  論文  参考訳（メタデータ） (2020-11-19T06:03:35Z)
• 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)

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。