論文の概要: Signed Graph Neural Networks: A Frequency Perspective
- arxiv url: http://arxiv.org/abs/2208.07323v1
- Date: Mon, 15 Aug 2022 16:42:18 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-16 14:27:29.284618
- Title: Signed Graph Neural Networks: A Frequency Perspective
- Title（参考訳）: 符号付きグラフニューラルネットワーク:周波数の観点
- Authors: Rahul Singh and Yongxin Chen
- Abstract要約: グラフ畳み込みネットワーク(GCN)は、正のリンクのみを含む符号なしグラフ用に設計されている。
我々は2つの異なる符号付きグラフニューラルネットワークを提案し、その1つは低周波情報のみを保持し、もう1つは高周波情報を保持する。
- 参考スコア（独自算出の注目度）: 14.386571627652975
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Graph convolutional networks (GCNs) and its variants are designed for
unsigned graphs containing only positive links. Many existing GCNs have been
derived from the spectral domain analysis of signals lying over (unsigned)
graphs and in each convolution layer they perform low-pass filtering of the
input features followed by a learnable linear transformation. Their extension
to signed graphs with positive as well as negative links imposes multiple
issues including computational irregularities and ambiguous frequency
interpretation, making the design of computationally efficient low pass filters
challenging. In this paper, we address these issues via spectral analysis of
signed graphs and propose two different signed graph neural networks, one keeps
only low-frequency information and one also retains high-frequency information.
We further introduce magnetic signed Laplacian and use its eigendecomposition
for spectral analysis of directed signed graphs. We test our methods for node
classification and link sign prediction tasks on signed graphs and achieve
state-of-the-art performances.
- Abstract（参考訳）: グラフ畳み込みネットワーク(GCN)とその変種は、正のリンクのみを含む符号なしグラフのために設計されている。
既存のgcnの多くは(符号なし)グラフ上にある信号のスペクトル領域解析から派生しており、各畳み込み層では入力特徴のローパスフィルタリングを行い、学習可能な線形変換を行う。
負リンクと正の符号付きグラフへの拡張は、計算の不規則性や曖昧な周波数解釈といった複数の問題を課し、計算効率のよいローパスフィルタの設計を困難にしている。
本稿では,これらの問題に,符号付きグラフのスペクトル解析を用いて対処し,低周波情報のみを保持する2つの異なる符号付きグラフニューラルネットワークを提案する。
さらに,磁気署名ラプラシアンを導入し,その固有分解法を用いて有向署名グラフのスペクトル解析を行う。
サイン付きグラフのノード分類とリンク符号予測タスクの手法をテストし,最先端の性能を実現する。
関連論文リスト
- Geometric Graph Filters and Neural Networks: Limit Properties and
Discriminability Trade-offs [122.06927400759021]
本稿では,グラフニューラルネットワーク (GNN) と多様体ニューラルネットワーク (MNN) の関係について検討する。
これらのグラフ上の畳み込みフィルタとニューラルネットワークが連続多様体上の畳み込みフィルタとニューラルネットワークに収束することを示す。
論文 参考訳（メタデータ） (2023-05-29T08:27:17Z) - Graphon Pooling for Reducing Dimensionality of Signals and Convolutional
Operators on Graphs [131.53471236405628]
グラフ空間における[0, 1]2の分割上のグラフとグラフ信号の誘導的グラフ表現を利用する3つの方法を提案する。
これらの低次元表現がグラフとグラフ信号の収束列を構成することを証明している。
我々は,層間次元減少比が大きい場合,グラノンプーリングは文献で提案した他の手法よりも有意に優れていることを観察した。
論文 参考訳（メタデータ） (2022-12-15T22:11:34Z) - A Spectral Analysis of Graph Neural Networks on Dense and Sparse Graphs [13.954735096637298]
そこで我々は,グラフスペクトルの空間分布がグラフスペクトルに与える影響を解析し,グラフニューラルネットワーク(GNN)の高密度グラフとスパースグラフのノード分類における性能について検討した。
GNNはスパースグラフのスペクトル法よりも優れており、これらの結果を合成グラフと実グラフの両方で数値例で示すことができる。
論文 参考訳（メタデータ） (2022-11-06T22:38:13Z) - Spectral Graph Convolutional Networks With Lifting-based Adaptive Graph
Wavelets [81.63035727821145]
スペクトルグラフ畳み込みネットワーク(SGCN)はグラフ表現学習において注目を集めている。
本稿では,適応グラフウェーブレットを用いたグラフ畳み込みを実装した新しいスペクトルグラフ畳み込みネットワークを提案する。
論文 参考訳（メタデータ） (2021-08-03T17:57:53Z) - Beyond Low-pass Filtering: Graph Convolutional Networks with Automatic
Filtering [61.315598419655224]
グラフ信号の全スペクトルをキャプチャする自動グラフ畳み込みネットワーク(AutoGCN)を提案する。
グラフスペクトル理論に基づいているが、私たちのAutoGCNも空間に局在しており、空間形式を持っている。
論文 参考訳（メタデータ） (2021-07-10T04:11:25Z) - BiGCN: A Bi-directional Low-Pass Filtering Graph Neural Network [35.97496022085212]
多くのグラフ畳み込みネットワークは、グラフ信号の低パスフィルタと見なすことができる。
本稿では,グラフニューラルネットワークを双方向低域通過フィルタとして表現する新しいモデルBiGCNを提案する。
私たちのモデルは、ほとんどのベンチマークデータセットのノード分類とリンク予測のタスクで、以前のグラフニューラルネットワークを上回っています。
論文 参考訳（メタデータ） (2021-01-14T09:41:00Z) - Graph Autoencoders with Deconvolutional Networks [32.78113728062279]
Graph Deconvolutional Networks (GDN)は、スムーズなノード表現からグラフ信号を再構成する。
スペクトル領域の逆フィルタとウェーブレット領域のノイズ除去層の組み合わせにより、グラフデコンボリューションネットワークの設計を動機付けます。
提案したGDNに基づいて, GCNでスムースグラフ表現をエンコードし, GDNで正確なグラフ信号をデコードするグラフオートエンコーダフレームワークを提案する。
論文 参考訳（メタデータ） (2020-12-22T09:49:39Z) - An Experimental Study of the Transferability of Spectral Graph Networks [5.736353542430439]
スペクトルグラフ畳み込みネットワーク(spectral graph convolutional network)は、ラプラシアン作用素を用いたグラフ構造化データのための標準畳み込みネットワークの一般化である。
近年の研究では、グラフベンチマークによるスペクトルフィルタの安定性が証明されている。
論文 参考訳（メタデータ） (2020-12-18T14:15:07Z) - Dirichlet Graph Variational Autoencoder [65.94744123832338]
本稿では,グラフクラスタメンバシップを潜在因子とするDGVAE(Dirichlet Graph Variational Autoencoder)を提案する。
バランスグラフカットにおける低パス特性により、入力グラフをクラスタメンバシップにエンコードする、Heattsと呼ばれるGNNの新しい変種を提案する。
論文 参考訳（メタデータ） (2020-10-09T07:35:26Z) - Graphon Pooling in Graph Neural Networks [169.09536309161314]
グラフニューラルネットワーク(GNN)は、グラフによってモデル化された不規則構造上の信号の処理を含む様々なアプリケーションで効果的に使用されている。
本稿では,グラフのスペクトル特性を保存したグラフオンを用いて,GNNのプールとサンプリングを行う新しい手法を提案する。
論文 参考訳（メタデータ） (2020-03-03T21:04:20Z)
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。