論文の概要: The PWLR Graph Representation: A Persistent Weisfeiler-Lehman scheme
with Random Walks for Graph Classification
- arxiv url: http://arxiv.org/abs/2208.13427v1
- Date: Mon, 29 Aug 2022 08:50:37 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-30 14:48:45.001350
- Title: The PWLR Graph Representation: A Persistent Weisfeiler-Lehman scheme
with Random Walks for Graph Classification
- Title（参考訳）: PWLRグラフ表現:グラフ分類のためのランダムウォーク付き永続Weisfeiler-Lehmanスキーム
- Authors: Sun Woo Park, Yun Young Choi, Dosang Joe, U Jin Choi, Youngho Woo
- Abstract要約: グラフ表現のための永続Weisfeiler-Lehmanランダムウォークスキーム(PWLR)。
我々はWeisfeiler-Lehmanプロシージャの多くの変種を一般化する。
- 参考スコア（独自算出の注目度）: 0.6999740786886536
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This paper presents the Persistent Weisfeiler-Lehman Random walk scheme
(abbreviated as PWLR) for graph representations, a novel mathematical framework
which produces a collection of explainable low-dimensional representations of
graphs with discrete and continuous node features. The proposed scheme
effectively incorporates normalized Weisfeiler-Lehman procedure, random walks
on graphs, and persistent homology. We thereby integrate three distinct
properties of graphs, which are local topological features, node degrees, and
global topological invariants, while preserving stability from graph
perturbations. This generalizes many variants of Weisfeiler-Lehman procedures,
which are primarily used to embed graphs with discrete node labels. Empirical
results suggest that these representations can be efficiently utilized to
produce comparable results to state-of-the-art techniques in classifying graphs
with discrete node labels, and enhanced performances in classifying those with
continuous node features.
- Abstract（参考訳）: 本稿では,グラフ表現のためのPWLR(Persistent Weisfeiler-Lehman Random walk scheme)を提案する。
提案手法は、正規化されたWeisfeiler-Lehman手順、グラフ上のランダムウォーク、永続ホモロジーを効果的に組み込む。
これにより、局所位相的特徴、ノード次数、大域的位相不変量であるグラフの3つの異なる性質を積分し、グラフ摂動から安定を保つ。
これはweisfeiler-lehmanプロシージャの多くの変種を一般化し、主に離散ノードラベルでグラフを埋め込むのに使われる。
実験結果から,これらの表現を効率よく利用して,グラフを離散ノードラベルで分類する最先端技術に匹敵する結果が得られることが示唆された。
関連論文リスト
- Addressing Heterophily in Node Classification with Graph Echo State
Networks [11.52174067809364]
ノード分類のためのグラフエコー状態ネットワーク(GESN)を用いた異種グラフの課題に対処する。
GESNはグラフのための貯水池計算モデルであり、ノードの埋め込みは訓練されていないメッセージパッシング関数によって計算される。
実験の結果, 貯水池モデルでは, ほぼ完全に訓練された深層モデルに対して, より優れた精度あるいは同等の精度が得られることがわかった。
論文 参考訳（メタデータ） (2023-05-14T19:42:31Z) - GrannGAN: Graph annotation generative adversarial networks [72.66289932625742]
本稿では,高次元分布をモデル化し,グラフスケルトンと整合した複雑な関係特徴構造を持つデータの新しい例を生成することの問題点を考察する。
提案するモデルは,タスクを2つのフェーズに分割することで,各データポイントのグラフ構造に制約されたデータ特徴を生成する問題に対処する。
第一に、与えられたグラフのノードに関連する機能の分布をモデル化し、第二に、ノードのフィーチャに条件付きでエッジ機能を補完する。
論文 参考訳（メタデータ） (2022-12-01T11:49:07Z) - Similarity-aware Positive Instance Sampling for Graph Contrastive
Pre-training [82.68805025636165]
トレーニングセット内の既存グラフから直接正のグラフインスタンスを選択することを提案する。
私たちの選択は、特定のドメイン固有のペアワイズ類似度測定に基づいています。
さらに,ノードを動的にマスキングしてグラフ上に均等に分配する適応ノードレベルの事前学習手法を開発した。
論文 参考訳（メタデータ） (2022-06-23T20:12:51Z) - Embedding Graphs on Grassmann Manifold [31.42901131602713]
本稿では,グラスマン多様体に近似した2階グラフ特性を組み込んだ新しいグラフ表現学習手法EGGを提案する。
EGGの有効性はノードレベルとグラフレベルでのクラスタリングと分類タスクの両方を用いて示される。
論文 参考訳（メタデータ） (2022-05-30T12:56:24Z) - Optimal Propagation for Graph Neural Networks [51.08426265813481]
最適グラフ構造を学習するための二段階最適化手法を提案する。
また、時間的複雑さをさらに軽減するために、低ランク近似モデルについても検討する。
論文 参考訳（メタデータ） (2022-05-06T03:37:00Z) - Generalized Spectral Clustering for Directed and Undirected Graphs [4.286327408435937]
本稿では、有向グラフと無向グラフの両方に対処できる一般化スペクトルクラスタリングフレームワークを提案する。
我々のアプローチは、グラフ関数の一般化されたディリクレエネルギーとして導入する新しい函数のスペクトル緩和に基づいている。
また、グラフ上の自然ランダムウォークの反復パワーから構築された正規化尺度の実用的なパラメトリゼーションを提案する。
論文 参考訳（メタデータ） (2022-03-07T09:18:42Z) - A Robust and Generalized Framework for Adversarial Graph Embedding [73.37228022428663]
本稿では,AGE という逆グラフ埋め込みのための頑健なフレームワークを提案する。
AGEは、暗黙の分布から強化された負のサンプルとして偽の隣接ノードを生成する。
本フレームワークでは,3種類のグラフデータを扱う3つのモデルを提案する。
論文 参考訳（メタデータ） (2021-05-22T07:05:48Z) - Accurate Learning of Graph Representations with Graph Multiset Pooling [45.72542969364438]
本稿では,その構造的依存関係に応じてノード間の相互作用をキャプチャするグラフマルチセットトランス (GMT) を提案する。
実験の結果,GMT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を著しく上回っていることがわかった。
論文 参考訳（メタデータ） (2021-02-23T07:45:58Z) - 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) - 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。