論文の概要: Grouping-matrix based Graph Pooling with Adaptive Number of Clusters

• arxiv url: http://arxiv.org/abs/2209.02939v1
• Date: Wed, 7 Sep 2022 05:25:22 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-08 12:01:16.849097
• Title: Grouping-matrix based Graph Pooling with Adaptive Number of Clusters
• Title（参考訳）: クラスタ数に応じたグループ行列に基づくグラフポーリング
• Authors: Sung Moon Ko, Sungjun Cho, Dae-Woong Jeong, Sehui Han, Moontae Lee and Honglak Lee
• Abstract要約: 入力データに基づいて適切なクラスタ数を自動決定するグラフプーリングアーキテクチャを提案する。 分子特性予測タスクの大規模評価は,本手法が従来の手法より優れていることを示す。
• 参考スコア（独自算出の注目度）: 41.672737383815374
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Graph pooling is a crucial operation for encoding hierarchical structures within graphs. Most existing graph pooling approaches formulate the problem as a node clustering task which effectively captures the graph topology. Conventional methods ask users to specify an appropriate number of clusters as a hyperparameter, then assume that all input graphs share the same number of clusters. In inductive settings where the number of clusters can vary, however, the model should be able to represent this variation in its pooling layers in order to learn suitable clusters. Thus we propose GMPool, a novel differentiable graph pooling architecture that automatically determines the appropriate number of clusters based on the input data. The main intuition involves a grouping matrix defined as a quadratic form of the pooling operator, which induces use of binary classification probabilities of pairwise combinations of nodes. GMPool obtains the pooling operator by first computing the grouping matrix, then decomposing it. Extensive evaluations on molecular property prediction tasks demonstrate that our method outperforms conventional methods.
• Abstract（参考訳）: グラフプーリングは、グラフ内の階層構造をエンコードするための重要な操作である。 既存のグラフプーリングのほとんどは、グラフトポロジを効果的にキャプチャするノードクラスタリングタスクとして問題を定式化している。 従来の方法では、ハイパーパラメータとして適切な数のクラスタを指定するように求め、すべての入力グラフが同じ数のクラスタを共有すると仮定する。 しかし、クラスタの数が異なるインダクティブな設定では、適切なクラスタを学習するために、モデルがプール層でこのバリエーションを表現できなければならない。 そこで我々は,入力データに基づいて適切なクラスタ数を自動的に決定する,新しい微分可能なグラフプーリングアーキテクチャであるGMPoolを提案する。 主な直観は、プール演算子の二次形式として定義されるグルーピング行列を含み、ノードのペアの組合せのバイナリ分類確率を誘導する。 GMPoolは、まずグルーピング行列を計算し、分解することでプール演算子を得る。 分子特性予測タスクの大規模評価は,本手法が従来の手法より優れていることを示す。

関連論文リスト

• Cluster-based Graph Collaborative Filtering [55.929052969825825]
  グラフ畳み込みネットワーク(GCN)は、レコメンデーションシステムのためのユーザおよびアイテム表現の学習に成功している。 既存のGCNベースのほとんどのメソッドは、高階グラフ畳み込みを実行しながら、ユーザの複数の関心事を見落としている。 クラスタベースグラフ協調フィルタリング(ClusterGCF)と呼ばれる新しいGCNベースのレコメンデーションモデルを提案する。
  論文  参考訳（メタデータ） (2024-04-16T07:05:16Z)
• Reinforcement Graph Clustering with Unknown Cluster Number [91.4861135742095]
  本稿では,Reinforcement Graph Clusteringと呼ばれる新しいディープグラフクラスタリング手法を提案する。 提案手法では,クラスタ数決定と教師なし表現学習を統一的なフレームワークに統合する。 フィードバック動作を行うために、クラスタリング指向の報酬関数を提案し、同一クラスタの凝集を高め、異なるクラスタを分離する。
  論文  参考訳（メタデータ） (2023-08-13T18:12:28Z)
• Latent Random Steps as Relaxations of Max-Cut, Min-Cut, and More [30.919536115917726]
  クラスタリングと単純化を統一する非負行列分解に基づく確率モデルを提案する。 ハードクラスタリングをソフトクラスタリングに緩和することにより、ハードクラスタリングの潜在的な問題をトラクタブルクラスタに緩和する。
  論文  参考訳（メタデータ） (2023-08-12T02:47:57Z)
• MPool: Motif-Based Graph Pooling [0.0]
  グラフニューラルネットワーク(GNN)は近年,グラフ分類を含む多くのグラフ関連タスクにおいて,強力な技術となっている。 マルチチャネルモチーフに基づくグラフポーリング手法(MPool)を提案する。 第1のチャネルとして、ノードのモチーフ隣接性を考慮したノードランキングモデルを設計し、ノード選択に基づくグラフプーリングを開発する。 第2のチャネルとして、モチーフアジャシエンスを用いたスペクトルクラスタリングモデルを設計し、クラスタベースのグラフプーリングを開発する。 最終層として、各チャネルの結果を最終グラフ表現に集約する。
  論文  参考訳（メタデータ） (2023-03-07T05:21:15Z)
• Higher-order Clustering and Pooling for Graph Neural Networks [77.47617360812023]
  グラフニューラルネットワークは、多数のグラフ分類タスクにおいて最先端のパフォーマンスを達成する。 HoscPoolはクラスタリングベースのグラフプーリング演算子で、階層的に高階情報をキャプチャする。 グラフ分類タスクにおいてHoscPoolを評価し,そのクラスタリングコンポーネントを地層構造を持つグラフ上で評価する。
  論文  参考訳（メタデータ） (2022-09-02T09:17:10Z)
• Skew-Symmetric Adjacency Matrices for Clustering Directed Graphs [5.301300942803395]
  カットベースの有向グラフ(グラフ)クラスタリングは、しばしばクラスタ内あるいはクラスタ間の疎結合を見つけることに焦点を当てる。 フローベースのクラスタリングでは、クラスタ間のエッジは一方向を向く傾向にあり、マイグレーションデータ、フードウェブ、トレーディングデータに見出されている。
  論文  参考訳（メタデータ） (2022-03-02T20:07:04Z)
• Self-supervised Contrastive Attributed Graph Clustering [110.52694943592974]
  我々は,自己教師型コントラストグラフクラスタリング(SCAGC)という,新たな属性グラフクラスタリングネットワークを提案する。 SCAGCでは,不正確なクラスタリングラベルを活用することで,ノード表現学習のための自己教師付きコントラスト損失を設計する。 OOSノードでは、SCAGCはクラスタリングラベルを直接計算できる。
  論文  参考訳（メタデータ） (2021-10-15T03:25:28Z)
• SMLSOM: The shrinking maximum likelihood self-organizing map [0.0]
  本稿では,確率分布モデルフレームワークに基づいて,適切な数のクラスタを自動的に選択するグリージーアルゴリズムを提案する。 既存の手法と比較して,提案手法は計算効率が高く,クラスタ数を正確に選択できる。
  論文  参考訳（メタデータ） (2021-04-28T18:50:36Z)
• Structured Graph Learning for Clustering and Semi-supervised Classification [74.35376212789132]
  データの局所構造とグローバル構造の両方を保存するためのグラフ学習フレームワークを提案する。 本手法は, サンプルの自己表現性を利用して, 局所構造を尊重するために, 大域的構造と適応的隣接アプローチを捉える。 我々のモデルは、ある条件下でのカーネルk平均法とk平均法の組合せと等価である。
  論文  参考訳（メタデータ） (2020-08-31T08:41:20Z)

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。