論文の概要: MSGNN: A Spectral Graph Neural Network Based on a Novel Magnetic Signed
Laplacian
- arxiv url: http://arxiv.org/abs/2209.00546v1
- Date: Thu, 1 Sep 2022 15:44:36 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-02 13:14:26.329896
- Title: MSGNN: A Spectral Graph Neural Network Based on a Novel Magnetic Signed
Laplacian
- Title(参考訳): MSGNN:新しい磁気標識ラプラシアンに基づくスペクトルグラフニューラルネットワーク
- Authors: Yixuan He, Michael Permultter, Gesine Reinert, Mihai Cucuringu
- Abstract要約: 符号付きラプラス行列を導入し、符号付きラプラス行列は符号付きグラフ上の符号付きラプラス行列と有向グラフ上の磁気ラプラス行列の両方の自然な一般化である。
次に、この行列を用いて新しいスペクトルGNNアーキテクチャを構築し、ノードクラスタリングとリンク予測の両方で実験を行う。
提案したスペクトルGNNは符号情報と方向情報の両方を組み込むのに有効であることを示す。
- 参考スコア(独自算出の注目度): 5.706360286474043
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Signed directed networks are ubiquitous in real-world applications. However,
there has been relatively little work proposing spectral graph neural network
(GNN) methods for analyzing such networks. Here we introduce a signed directed
Laplacian matrix, which we call the magnetic signed Laplacian, as a natural
generalization of both the signed Laplacian on signed graphs and the magnetic
Laplacian on directed graphs. We then use this matrix to construct a novel
spectral GNN architecture and conduct extensive experiments on both node
clustering and link prediction tasks. In these experiments, we consider tasks
related to signed information, tasks related to directional information, and
tasks related to both signed and directional information. We demonstrate that
our proposed spectral GNN is effective for incorporating both signed and
directional information, and attains leading performance on a wide range of
data sets. Additionally, we provide a novel synthetic network model, which we
refer to as the signed directed stochastic block model, and a number of novel
real-world data sets based on lead-lag relationships in financial time series.
- Abstract(参考訳): 署名された有向ネットワークは現実世界のアプリケーションにおいてユビキタスである。
しかし、そのようなネットワークを分析するためのスペクトルグラフニューラルネットワーク(GNN)手法を提案する研究は比較的少ない。
ここでは、符号付きラプラス行列を導入し、符号付きラプラス行列は符号付きグラフ上の符号付きラプラス行列と有向グラフ上の磁気ラプラス行列の両方の自然な一般化である。
次に、この行列を用いて新しいスペクトルGNNアーキテクチャを構築し、ノードクラスタリングとリンク予測タスクの両方について広範な実験を行う。
これらの実験では,署名情報,方向情報に関連するタスク,および署名情報と方向情報の両方に関連するタスクについて検討する。
提案するスペクトルgnnは,符号情報と方向情報の両方を組み込むのに有効であり,幅広いデータセットで有意な性能が得られることを示す。
さらに,金融時系列におけるリード・ラグ関係に基づく新たな実世界データセットとして,符号付き有向確率ブロックモデル(signed directed stochastic block model)と呼ぶ新しい合成ネットワークモデルを提案する。
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) - Graph Transformer GANs with Graph Masked Modeling for Architectural
Layout Generation [153.92387500677023]
本稿では,グラフノード関係を効果的に学習するために,GTGAN(Graph Transformer Generative Adversarial Network)を提案する。
提案したグラフ変換器エンコーダは、局所的およびグローバルな相互作用をモデル化するために、Transformer内のグラフ畳み込みと自己アテンションを組み合わせる。
また,グラフ表現学習のための自己指導型事前学習手法を提案する。
論文 参考訳(メタデータ) (2024-01-15T14:36:38Z) - BLIS-Net: Classifying and Analyzing Signals on Graphs [20.345611294709244]
グラフニューラルネットワーク(GNN)は、ノード分類やグラフ分類といったタスクのための強力なツールとして登場した。
我々は以前に導入された幾何散乱変換に基づいて構築された新しいGNNであるBLIS-Net(Bi-Lipschitz Scattering Net)を紹介する。
BLIS-Netは,交通流とfMRIデータに基づいて,合成データと実世界のデータの両方において優れた性能を発揮することを示す。
論文 参考訳(メタデータ) (2023-10-26T17:03:14Z) - Network Alignment with Transferable Graph Autoencoders [87.28177782039265]
本稿では,強力で堅牢なノード埋め込みを抽出するグラフオートエンコーダアーキテクチャを提案する。
生成した埋め込みがグラフの固有値と固有ベクトルと結びついていることを証明する。
提案フレームワークは転送学習とデータ拡張を利用して,大規模なネットワークアライメントを実現する。
論文 参考訳(メタデータ) (2023-10-05T02:58:29Z) - Signed Graph Neural Networks: A Frequency Perspective [14.386571627652975]
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。
論文 参考訳(メタデータ) (2022-08-15T16:42:18Z) - MagNet: A Magnetic Neural Network for Directed Graphs [3.5557219875516655]
MagNet は、磁気ラプラシアンと呼ばれる複素エルミト行列に基づく有向グラフのスペクトル GNN である。
我々は,MagNetの性能が有向グラフノード分類およびリンク予測タスクにおける他のスペクトルGNNを上回ることを示す。
論文 参考訳(メタデータ) (2021-02-22T22:40:57Z) - SDGNN: Learning Node Representation for Signed Directed Networks [43.15277366961127]
グラフニューラルネットワーク(gnns)は広く注目を集め、ノード表現の学習において最先端のパフォーマンスをもたらす。
これらのモデルを署名された有向ネットワークに転送するのは簡単なことではないが、実世界では広く観察されているが、あまり研究されていない。
我々は,符号付き有向ネットワークのノード埋め込みを学習するために,SDGNNと呼ばれる新しい符号付き有向グラフニューラルネットワークモデルを提案する。
論文 参考訳(メタデータ) (2021-01-07T06:15:07Z) - Data-Driven Learning of Geometric Scattering Networks [74.3283600072357]
最近提案された幾何散乱変換の緩和に基づく新しいグラフニューラルネットワーク(GNN)モジュールを提案する。
我々の学習可能な幾何散乱(LEGS)モジュールは、ウェーブレットの適応的なチューニングを可能にし、学習された表現に帯域通過の特徴が現れるように促す。
論文 参考訳(メタデータ) (2020-10-06T01:20:27Z) - Spectral Embedding of Graph Networks [76.27138343125985]
ローカルノードの類似性と接続性、グローバル構造をトレードオフする教師なしグラフ埋め込みを導入する。
埋め込みは一般化されたグラフ Laplacian に基づいており、固有ベクトルは1つの表現においてネットワーク構造と近傍近傍の両方をコンパクトにキャプチャする。
論文 参考訳(メタデータ) (2020-09-30T04:59:10Z) - 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)
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。