論文の概要: Subgraph Frequency Distribution Estimation using Graph Neural Networks
- arxiv url: http://arxiv.org/abs/2207.06684v1
- Date: Thu, 14 Jul 2022 06:23:38 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-15 12:14:20.146622
- Title: Subgraph Frequency Distribution Estimation using Graph Neural Networks
- Title(参考訳): グラフニューラルネットワークを用いたサブグラフ周波数分布推定
- Authors: Zhongren Chen, Xinyue Xu, Shengyi Jiang, Hao Wang and Lu Mi
- Abstract要約: 本稿では,グラフニューラルネットワークを用いた新しい表現学習フレームワークであるGNNSを提案する。
我々のフレームワークは、ノード、サブグラフ、グラフの階層的な埋め込みを学習する推論モデルと生成モデルを含む。
学習したモデルと埋め込みを用いて、サブグラフを高度にスケーラブルで並列な方法でサンプリングし、これらのサンプリングされたサブグラフに基づいて周波数分布推定を行う。
- 参考スコア(独自算出の注目度): 17.02487540304784
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Small subgraphs (graphlets) are important features to describe fundamental
units of a large network. The calculation of the subgraph frequency
distributions has a wide application in multiple domains including biology and
engineering. Unfortunately due to the inherent complexity of this task, most of
the existing methods are computationally intensive and inefficient. In this
work, we propose GNNS, a novel representational learning framework that
utilizes graph neural networks to sample subgraphs efficiently for estimating
their frequency distribution. Our framework includes an inference model and a
generative model that learns hierarchical embeddings of nodes, subgraphs, and
graph types. With the learned model and embeddings, subgraphs are sampled in a
highly scalable and parallel way and the frequency distribution estimation is
then performed based on these sampled subgraphs. Eventually, our methods
achieve comparable accuracy and a significant speedup by three orders of
magnitude compared to existing methods.
- Abstract(参考訳): 小さなサブグラフ(グラフレット)は、大きなネットワークの基本単位を記述する上で重要な特徴である。
サブグラフ周波数分布の計算は生物学や工学を含む複数の領域で広く応用されている。
残念ながら、このタスクの本質的な複雑さのため、既存のメソッドのほとんどは計算集約的で非効率です。
本稿では,グラフニューラルネットワークを用いてサブグラフを効率的にサンプリングし,周波数分布を推定する新しい表現学習フレームワークgnnを提案する。
我々のフレームワークは、ノード、サブグラフ、グラフの階層的な埋め込みを学習する推論モデルと生成モデルを含む。
学習されたモデルと埋め込みにより、サブグラフは高度にスケーラブルで並列にサンプリングされ、それらのサンプルされたサブグラフに基づいて周波数分布推定が行われる。
最終的に,本手法は既存の手法に比べて3桁の精度と大幅な高速化を実現している。
関連論文リスト
- GNN-LoFI: a Novel Graph Neural Network through Localized Feature-based
Histogram Intersection [51.608147732998994]
グラフニューラルネットワークは、グラフベースの機械学習の選択フレームワークになりつつある。
本稿では,古典的メッセージパッシングに代えて,ノード特徴の局所分布を解析するグラフニューラルネットワークアーキテクチャを提案する。
論文 参考訳(メタデータ) (2024-01-17T13:04:23Z) - Leveraging Graph Diffusion Models for Network Refinement Tasks [72.54590628084178]
本稿では,グラフ拡散に基づく新しいグラフ生成フレームワークSGDMを提案する。
我々のフレームワークはグラフ拡散モデルのスケーラビリティと忠実度を向上するだけでなく、逆プロセスを利用して新しい条件付き生成タスクを実行する。
論文 参考訳(メタデータ) (2023-11-29T18:02:29Z) - Bures-Wasserstein Means of Graphs [60.42414991820453]
本研究では,スムーズなグラフ信号分布の空間への埋め込みを通じて,グラフ平均を定義する新しいフレームワークを提案する。
この埋め込み空間において平均を求めることにより、構造情報を保存する平均グラフを復元することができる。
我々は,新しいグラフの意味の存在と特異性を確立し,それを計算するための反復アルゴリズムを提供する。
論文 参考訳(メタデータ) (2023-05-31T11:04:53Z) - Convolutional Learning on Multigraphs [153.20329791008095]
我々は、多グラフ上の畳み込み情報処理を開発し、畳み込み多グラフニューラルネットワーク(MGNN)を導入する。
情報拡散の複雑なダイナミクスを多グラフのエッジのクラス間で捉えるために、畳み込み信号処理モデルを定式化する。
我々は,計算複雑性を低減するため,サンプリング手順を含むマルチグラフ学習アーキテクチャを開発した。
導入されたアーキテクチャは、最適な無線リソース割り当てとヘイトスピーチローカライゼーションタスクに適用され、従来のグラフニューラルネットワークよりも優れたパフォーマンスを提供する。
論文 参考訳(メタデータ) (2022-09-23T00:33:04Z) - Ordered Subgraph Aggregation Networks [19.18478955240166]
グラフ強化グラフニューラルネットワーク(GNN)が登場し、標準(メッセージパス)GNNの表現力を確実に向上させている。
本稿では, 理論的枠組みを導入し, サブグラフ強化GNNの表現性を拡張した。
部分グラフサイズの増加は常に表現力を高め、それらの制限をよりよく理解することを示します。
論文 参考訳(メタデータ) (2022-06-22T15:19:34Z) - Bayesian graph convolutional neural networks via tempered MCMC [0.41998444721319217]
畳み込みニューラルネットワークのようなディープラーニングモデルは、画像やマルチメディアタスクに長い間適用されてきた。
最近では、グラフで表現できる非構造化データにもっと注意が払われている。
これらのタイプのデータは、健康と医学、ソーシャルネットワーク、および研究データリポジトリでよく見られます。
論文 参考訳(メタデータ) (2021-04-17T04:03:25Z) - Subgraph Neural Networks [14.222887950206662]
本稿では,不整合部分グラフ表現を学習するためのサブグラフニューラルネットワークSubGNNを紹介する。
SubGNNは、挑戦的なバイオメディカルデータセットで非常によく機能する。
論文 参考訳(メタデータ) (2020-06-18T13:54:30Z) - Learned Factor Graphs for Inference from Stationary Time Sequences [107.63351413549992]
定常時間列のためのモデルベースアルゴリズムとデータ駆動型MLツールを組み合わせたフレームワークを提案する。
ニューラルネットワークは、時系列の分布を記述する因子グラフの特定のコンポーネントを別々に学習するために開発された。
本稿では,学習された定常因子グラフに基づく推論アルゴリズムを提案する。
論文 参考訳(メタデータ) (2020-06-05T07:06:19Z) - Ripple Walk Training: A Subgraph-based training framework for Large and
Deep Graph Neural Network [10.36962234388739]
本稿では,深部および大規模グラフニューラルネットワークのための一般的なサブグラフベーストレーニングフレームワークであるRipple Walk Training(RWT)を提案する。
RWTは、全グラフからサブグラフをサンプリングしてミニバッチを構成し、全GNNはミニバッチ勾配に基づいて更新される。
グラフの異なるサイズに関する大規模な実験は、様々なGNNを訓練する際のRWTの有効性と効率を実証している。
論文 参考訳(メタデータ) (2020-02-17T19:07:41Z) - Block-Approximated Exponential Random Graphs [77.4792558024487]
指数乱グラフ(ERG)の分野における重要な課題は、大きなグラフ上の非自明なERGの適合である。
本稿では,非自明なERGに対する近似フレームワークを提案する。
我々の手法は、数百万のノードからなるスパースグラフにスケーラブルである。
論文 参考訳(メタデータ) (2020-02-14T11:42:16Z)
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。