論文の概要: A Gaze into the Internal Logic of Graph Neural Networks, with Logic

• arxiv url: http://arxiv.org/abs/2208.03093v1
• Date: Fri, 5 Aug 2022 10:49:21 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-08 13:10:53.911623
• Title: A Gaze into the Internal Logic of Graph Neural Networks, with Logic
• Title（参考訳）: グラフニューラルネットワークの内部論理と論理
• Authors: Paul Tarau (University of North Texas)
• Abstract要約: グラフニューラルネットワークはロジックプログラミングといくつかの重要な推論メカニズムを共有している。 本稿では,グラフのリンク構造と新しいノードのノード特性の情報内容から学習に伴う情報フローをモデル化する方法を示す。 我々のアプローチは、グラフニューラルネットワークのトレーニングと推論段階の重要な情報伝達ステップをPrologプログラムの助けを借りてエミュレートすることで構成される。 現実的な結果として,機械学習アルゴリズムとして見られる論理プログラムは,ノード特性予測ベンチマーク上で,技術の状態に近い動作を行う。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graph Neural Networks share with Logic Programming several key relational inference mechanisms. The datasets on which they are trained and evaluated can be seen as database facts containing ground terms. This makes possible modeling their inference mechanisms with equivalent logic programs, to better understand not just how they propagate information between the entities involved in the machine learning process but also to infer limits on what can be learned from a given dataset and how well that might generalize to unseen test data. This leads us to the key idea of this paper: modeling with the help of a logic program the information flows involved in learning to infer from the link structure of a graph and the information content of its nodes properties of new nodes, given their known connections to nodes with possibly similar properties. The problem is known as graph node property prediction and our approach will consist in emulating with help of a Prolog program the key information propagation steps of a Graph Neural Network's training and inference stages. We test our a approach on the ogbn-arxiv node property inference benchmark. To infer class labels for nodes representing papers in a citation network, we distill the dependency trees of the text associated to each node into directed acyclic graphs that we encode as ground Prolog terms. Together with the set of their references to other papers, they become facts in a database on which we reason with help of a Prolog program that mimics the information propagation in graph neural networks predicting node properties. In the process, we invent ground term similarity relations that help infer labels in the test set by propagating node properties from similar nodes in the training set and we evaluate their effectiveness in comparison with that of the graph's link structure. Finally, we implement explanation generators that unveil performance upper bounds inherent to the dataset. As a practical outcome, we obtain a logic program, that, when seen as machine learning algorithm, performs close to the state of the art on the node property prediction benchmark.
• Abstract（参考訳）: グラフニューラルネットワークは、いくつかの重要な関係推論メカニズムを論理プログラミングと共有する。 トレーニングされ、評価されるデータセットは、基礎用語を含むデータベース事実と見なすことができる。 これにより、推論メカニズムを等価な論理プログラムでモデル化し、機械学習プロセスに関わるエンティティ間でどのように情報を伝達するかだけでなく、与えられたデータセットから何が学べるか、そしてそれがテストデータにどのように一般化できるかを推測することが可能になる。 論理プログラムの助けを借りてモデリング グラフのリンク構造とノードのプロパティの情報内容から推測する学習に関わる情報フローは、おそらく類似した性質を持つノードとの既知の接続を前提にします。 この問題はグラフノード特性予測 (graph node property prediction) と呼ばれ、prologプログラムの助けを借りて、グラフニューラルネットワークのトレーニングと推論段階の重要な情報伝達ステップをエミュレートする。 我々は ogbn-arxiv node property inference benchmark に対するアプローチを検証した。 引用ネットワークにおける論文を表すノードのクラスラベルを推測するために,各ノードに関連付けられたテキストの依存木を,基底Prolog用語としてエンコードする非巡回グラフに抽出する。 他の論文への参照セットとともに、ノード特性を予測するグラフニューラルネットワークにおける情報伝搬を模倣するPrologプログラムの助けを借りて、データベース内の事実となる。 本プロセスでは,学習セット内の類似ノードからノード特性を伝播させることにより,テストセット内のラベルを推測する上で有効な基底項類似性関係を考案し,グラフのリンク構造と比較してそれらの有効性を評価する。 最後に、データセット固有のパフォーマンス上限を明らかにする説明生成器を実装する。 現実的な結果として,機械学習アルゴリズムとして見られる論理プログラムは,ノード特性予測ベンチマーク上で,技術の状態に近い動作を行う。

関連論文リスト

• Boolean Product Graph Neural Networks [8.392545965667288]
  グラフニューラルネットワーク(GNN)は最近、近隣ノードからの情報の集約を含む重要な操作によって、大きな成功を収めている。 本稿では,GNNにおける新しいブール積に基づくグラフ残差接続を提案し,潜在グラフと元のグラフをリンクする。 提案手法をベンチマークデータセットで検証し,GNNの性能とロバスト性を向上させる能力を示す。
  論文  参考訳（メタデータ） (2024-09-21T03:31:33Z)
• 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)
• Temporal Graph Network Embedding with Causal Anonymous Walks Representations [54.05212871508062]
  本稿では,時間グラフネットワークに基づく動的ネットワーク表現学習のための新しいアプローチを提案する。 評価のために、時間的ネットワーク埋め込みの評価のためのベンチマークパイプラインを提供する。 欧州の大手銀行が提供した実世界のダウンストリームグラフ機械学習タスクにおいて、我々のモデルの適用性と優れた性能を示す。
  論文  参考訳（メタデータ） (2021-08-19T15:39:52Z)
• 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)
• COLOGNE: Coordinated Local Graph Neighborhood Sampling [1.6498361958317633]
  グラフノードのような個別の未順序オブジェクトを実数値ベクトルで置き換えることは、グラフデータから学ぶための多くのアプローチの中心である。 ノードベクトル表現の座標がグラフノードであるような離散ノード埋め込みを学習する問題に対処する。 これにより、ノードにもともと存在するすべての属性が保存されているため、グラフの解釈可能な機械学習アルゴリズムを設計する扉が開く。
  論文  参考訳（メタデータ） (2021-02-09T11:39:06Z)
• A Unifying Generative Model for Graph Learning Algorithms: Label Propagation, Graph Convolutions, and Combinations [39.8498896531672]
  グラフに関する半教師付き学習は、ネットワーク科学と機械学習において広く適用可能な問題である。 我々は,ノード属性のデータ生成プロセスのためのマルコフ確率場モデルを開発した。 ラベル伝播,線形化グラフ畳み込みネットワーク,それらの組み合わせが条件付き期待値として導出できることを示す。
  論文  参考訳（メタデータ） (2021-01-19T17:07:08Z)
• Node Similarity Preserving Graph Convolutional Networks [51.520749924844054]
  グラフニューラルネットワーク(GNN)は、ノード近傍の情報を集約し変換することで、グラフ構造とノードの特徴を探索する。 グラフ構造を利用してノード類似性を効果的かつ効率的に保存できるSimP-GCNを提案する。 本研究は,SimP-GCNが3つの分類グラフと4つの非補助グラフを含む7つのベンチマークデータセットに対して有効であることを示す。
  論文  参考訳（メタデータ） (2020-11-19T04:18:01Z)
• Graphs, Convolutions, and Neural Networks: From Graph Filters to Graph Neural Networks [183.97265247061847]
  我々はグラフ信号処理を活用してグラフニューラルネットワーク(GNN)の表現空間を特徴付ける。 GNNにおけるグラフ畳み込みフィルタの役割について議論し、そのようなフィルタで構築されたアーキテクチャは、置換同値の基本的な性質と位相変化に対する安定性を持つことを示す。 また,ロボット群に対するリコメンデータシステムや分散型コントローラの学習におけるGNNの利用について検討した。
  論文  参考訳（メタデータ） (2020-03-08T13:02:15Z)
• Graph Inference Learning for Semi-supervised Classification [50.55765399527556]
  半教師付きノード分類の性能を高めるためのグラフ推論学習フレームワークを提案する。 推論過程の学習には,トレーニングノードから検証ノードへの構造関係のメタ最適化を導入する。 4つのベンチマークデータセットの総合的な評価は、最先端の手法と比較して提案したGILの優位性を示している。
  論文  参考訳（メタデータ） (2020-01-17T02:52:30Z)

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。