論文の概要: Graph Perceiver IO: A General Architecture for Graph Structured Data

• arxiv url: http://arxiv.org/abs/2209.06418v2
• Date: Fri, 21 Feb 2025 08:19:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-24 23:09:28.264108
• 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: 近年、PerceiverとPerceiver IOは、画像、テキスト、グラフ構造化データセットなど、不均一なモダリティに重点を置いている。 本研究では,グラフ構造化データセットに対するPerceiver IO(GPIO)を提案する。 このクエリは、位置エンコーディングと出力の平滑化を利用して、グラフ構造化データ、テキスト、画像などの多様なデータセットを処理する一般的な方法である。
• 参考スコア（独自算出の注目度）: 27.096482893966638
• License:
• Abstract: Multimodal machine learning has been widely studied for the development of general intelligence. Recently, 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 there are few research works for graph structured datasets. A graph has an adjacency matrix different from other datasets such as text and image, and it is not trivial to handle the topological information. In this study, we provide a Graph Perceiver IO (GPIO), the Perceiver IO for the graph structured dataset. We keep the main structure of the GPIO as the Perceiver IO because the Perceiver IO already handles the diverse dataset well, except for the graph structured dataset. The GPIO is a general method that handles diverse datasets, such as graph-structured data, text, and images, by leveraging positional encoding and output query smoothing. Compared to graph neural networks (GNNs), GPIO requires lower complexity and can efficiently incorporate global and local information, which is also empirically validated through experiments. Furthermore, we propose GPIO+ for the multimodal few-shot classification that incorporates both images and graphs simultaneously. GPIO achieves higher benchmark accuracy than GNNs across multiple tasks, including graph classification, node classification, and multimodal text classification, while also attaining superior AP and AUC in link prediction. Additionally, GPIO+ outperforms GNNs in multimodal few-shot classification. Our GPIO(+) can serve as a general architecture for handling various modalities and tasks.
• Abstract（参考訳）: 汎用知能の発達のために,マルチモーダル機械学習が広く研究されている。 最近、PerceiverとPerceiver IOは、多様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、グラフ構造化データセットなど、不均一なモダリティに重点を置いている。 グラフはテキストや画像などの他のデータセットとは異なる隣接行列を持ち、トポロジ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に対するPerceiver IO(GPIO)を提案する。 Perceiver IOはグラフ構造データセットを除いて、すでに多様なデータセットをうまく処理しているので、GPIOの主構造をPerceiver IOとして保持しています。 GPIOは、位置エンコーディングと出力クエリスムーズ化を利用して、グラフ構造化データ、テキスト、画像などの多様なデータセットを処理する一般的な方法である。 グラフニューラルネットワーク(GNN)と比較して、GPIOはより少ない複雑さを必要とし、グローバルおよびローカル情報を効率的に組み込むことができる。 さらに,画像とグラフを同時に組み込んだマルチモーダル少ショット分類のためのGPIO+を提案する。 GPIOは、グラフ分類、ノード分類、マルチモーダルテキスト分類を含む複数のタスクにわたるGNNよりも高いベンチマーク精度を実現し、リンク予測において優れたAPとAUCを達成する。 さらにGPIO+はマルチモーダルな数ショット分類においてGNNよりも優れている。 GPIO(+)は、様々なモダリティやタスクを扱うための一般的なアーキテクチャとして機能する。

関連論文リスト

• Revisiting Graph Neural Networks on Graph-level Tasks: Comprehensive Experiments, Analysis, and Improvements [54.006506479865344]
  グラフレベルグラフニューラルネットワーク(GNN)のための統一評価フレームワークを提案する。 このフレームワークは、さまざまなデータセットにわたるGNNを評価するための標準化された設定を提供する。 また,表現性の向上と一般化機能を備えた新しいGNNモデルを提案する。
  論文  参考訳（メタデータ） (2025-01-01T08:48:53Z)
• 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。