論文の概要: Graph Perceiver IO: A General Architecture for Graph Structured Data
- arxiv url: http://arxiv.org/abs/2209.06418v1
- Date: Wed, 14 Sep 2022 05:05:55 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-15 13:45:27.507241
- Title: Graph Perceiver IO: A General Architecture for Graph Structured Data
- Title（参考訳）: Graph Perceiver IO: グラフ構造化データの汎用アーキテクチャ
- Authors: Seyun Bae, Hoyoon Byun, Changdae Oh, Yoon-Sik Cho, Kyungwoo Song
- Abstract要約: グラフ構造化データセットのPerceiver IOであるGraph Perceiver IOを提供する。
Graph Perceiver IOは一般的な方法であり、グラフ構造化データやテキストや画像などの多様なデータセットを扱うことができる。
グラフ知覚型IOは,ノード分類,グラフ分類,リンク予測など,様々なグラフ関連タスクに対する競合結果を示す。
- 参考スコア（独自算出の注目度）: 13.250009328091435
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Multimodal machine learning has been widely studied for the development of
general intelligence. Recently, the remarkable multimodal algorithms, the
Perceiver and Perceiver IO, show competitive results for diverse dataset
domains and tasks. However, recent works, Perceiver and Perceiver IO, have
focused on heterogeneous modalities, including image, text, and speech, and
there are few research works for graph structured datasets. A graph is one of
the most generalized dataset structures, and we can represent the other
dataset, including images, text, and speech, as graph structured data. A graph
has an adjacency matrix different from other dataset domains such as text and
image, and it is not trivial to handle the topological information, relational
information, and canonical positional information. In this study, we provide a
Graph Perceiver IO, the Perceiver IO for the graph structured dataset. We keep
the main structure of the Graph Perceiver IO as the Perceiver IO because the
Perceiver IO already handles the diverse dataset well, except for the graph
structured dataset. The Graph Perceiver IO is a general method, and it can
handle diverse datasets such as graph structured data as well as text and
images. Comparing the graph neural networks, the Graph Perceiver IO requires a
lower complexity, and it can incorporate the local and global information
efficiently. We show that Graph Perceiver IO shows competitive results for
diverse graph-related tasks, including node classification, graph
classification, and link prediction.
- Abstract（参考訳）: マルチモーダル機械学習は、汎用知能の開発のために広く研究されてきた。
近年、注目すべきマルチモーダルアルゴリズムであるperceiverとperceiver ioが、さまざまなデータセットドメインとタスクの競合結果を示している。
しかし、最近の研究であるPerceiverとPerceiver IOは、画像、テキスト、音声を含む不均一なモダリティに焦点を当てており、グラフ構造化データセットの研究は少ない。
グラフは最も一般的なデータセットの1つであり、画像、テキスト、音声を含む他のデータセットをグラフ構造化データとして表現することができる。
グラフは、テキストや画像などの他のデータセットドメインとは異なる隣接行列を持ち、トポロジ情報、関係情報、標準位置情報を扱うのは簡単ではない。
本研究では,グラフ構造化データセット用の知覚器ioであるgraph perceiver ioを提案する。
Perceiver IOはグラフ構造化データセットを除いて、すでにさまざまなデータセットをうまく処理しているので、Graph Perceiver IOの主要構造をPerceiver IOとして保持しています。
Graph Perceiver IOは一般的な方法であり、グラフ構造化データやテキストや画像などの多様なデータセットを扱うことができる。
グラフニューラルネットワークと比較すると、Graph Perceiver IOはより低い複雑さを必要とし、ローカルおよびグローバル情報を効率的に組み込むことができる。
グラフ知覚型IOは,ノード分類,グラフ分類,リンク予測など,様々なグラフ関連タスクに対する競合結果を示す。
関連論文リスト
- DA-MoE: Addressing Depth-Sensitivity in Graph-Level Analysis through Mixture of Experts [70.21017141742763]
グラフニューラルネットワーク(GNN)は、グラフ構造化データを処理することで人気を集めている。
既存のメソッドは通常、固定数のGNNレイヤを使用して、すべてのグラフの表現を生成する。
本稿では,GNNに2つの改良を加えたDA-MoE法を提案する。
論文 参考訳（メタデータ） (2024-11-05T11:46:27Z) - RAGraph: A General Retrieval-Augmented Graph Learning Framework [35.25522856244149]
我々は、RAGraph(General Retrieval-Augmented Graph Learning)と呼ばれる新しいフレームワークを紹介する。
RAGraphは、一般的なグラフ基盤モデルに外部グラフデータを導入し、目に見えないシナリオにおけるモデルの一般化を改善する。
推論中、RAGraphは下流タスクにおける重要な類似性に基づいて、似たようなおもちゃのグラフを順応的に検索する。
論文 参考訳（メタデータ） (2024-10-31T12:05:21Z) - PlasmoData.jl -- A Julia Framework for Modeling and Analyzing Complex Data as Graphs [0.0]
複雑なデータセットのモデリングと解析を容易にするため,グラフ理論の概念を用いたオープンソースのJuliaフレームワークであるPlasmoData.jlを提案する。
私たちのフレームワークの中核は、DataGraphと呼ばれる一般的なデータモデリング抽象化です。
本稿では,データオブジェクトをグラフとして表現するために,抽象化とソフトウェアの実装をどのように利用できるかを示す。
論文 参考訳（メタデータ） (2024-01-21T05:04:38Z) - MGNet: Learning Correspondences via Multiple Graphs [78.0117352211091]
学習対応は、不均一な対応分布と低い不整合率で設定された初期対応から正しい対応を見つけることを目的としている。
最近の進歩は、通常、グラフニューラルネットワーク(GNN)を使用して単一のタイプのグラフを構築したり、グローバルなグラフに局所グラフをスタックしてタスクを完了させる。
本稿では,複数の補完グラフを効果的に組み合わせるためのMGNetを提案する。
論文 参考訳（メタデータ） (2024-01-10T07:58:44Z) - HUGE: Huge Unsupervised Graph Embeddings with TPUs [6.108914274067702]
グラフ埋め込み(Graph Embedding)は、グラフ内のノードを連続的に表現するプロセスである。
高帯域幅メモリを利用した高性能グラフ埋め込みアーキテクチャを提案する。
実・合成大規模データセット上での埋め込み空間の品質を検証する。
論文 参考訳（メタデータ） (2023-07-26T20:29:15Z) - Graphtester: Exploring Theoretical Boundaries of GNNs on Graph Datasets [10.590698823137755]
我々は、さまざまなデータセット、タスク、スコアに対するGNNの理論的能力を総合的に分析するための、Graphtesterと呼ばれる新しいツールを提供する。
我々はGraphtesterを使用して40以上のグラフデータセットを分析し、レイヤ数に基づいて様々なGNNのパフォーマンスの上限を決定する。
このツールは、位置ノードエンコーディングを用いてグラフトランスフォーマーにも使用でき、それによってスコープを拡大できることを示す。
論文 参考訳（メタデータ） (2023-06-30T08:53:23Z) - GraphGLOW: Universal and Generalizable Structure Learning for Graph
Neural Networks [72.01829954658889]
本稿では,この新たな問題設定の数学的定義を紹介する。
一つのグラフ共有構造学習者と複数のグラフ固有GNNを協調する一般的なフレームワークを考案する。
十分に訓練された構造学習者は、微調整なしで、目に見えない対象グラフの適応的な構造を直接生成することができる。
論文 参考訳（メタデータ） (2023-06-20T03:33:22Z) - Hybrid Graph: A Unified Graph Representation with Datasets and
Benchmarks for Complex Graphs [27.24150788635981]
ハイブリッドグラフの概念を導入し、ハイブリッドグラフベンチマーク(HGB)を紹介する。
HGBには、生物学、ソーシャルメディア、eコマースなど、さまざまな領域にわたる23の現実世界のハイブリッドグラフデータセットが含まれている。
HGB上でグラフニューラルネットワーク(GNN)のトレーニングと評価を容易にするための評価フレームワークと支援フレームワークを提供する。
論文 参考訳（メタデータ） (2023-06-08T11:15:34Z) - A Robust Stacking Framework for Training Deep Graph Models with
Multifaceted Node Features [61.92791503017341]
数値ノード特徴とグラフ構造を入力とするグラフニューラルネットワーク(GNN)は,グラフデータを用いた各種教師付き学習タスクにおいて,優れた性能を示した。
IID(non-graph)データをGNNに簡単に組み込むことはできない。
本稿では、グラフ認識の伝播をIDデータに意図した任意のモデルで融合するロバストな積み重ねフレームワークを提案する。
論文 参考訳（メタデータ） (2022-06-16T22:46:33Z) - Multilevel Graph Matching Networks for Deep Graph Similarity Learning [79.3213351477689]
グラフ構造オブジェクト間のグラフ類似性を計算するためのマルチレベルグラフマッチングネットワーク(MGMN)フレームワークを提案する。
標準ベンチマークデータセットの欠如を補うため、グラフグラフ分類とグラフグラフ回帰タスクの両方のためのデータセットセットを作成し、収集した。
総合的な実験により、MGMNはグラフグラフ分類とグラフグラフ回帰タスクの両方において、最先端のベースラインモデルより一貫して優れていることが示された。
論文 参考訳（メタデータ） (2020-07-08T19:48:19Z) - 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)
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。