論文の概要: Graph Classification via Discriminative Edge Feature Learning
- arxiv url: http://arxiv.org/abs/2210.02060v1
- Date: Wed, 5 Oct 2022 07:30:21 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-06 13:25:06.124641
- Title: Graph Classification via Discriminative Edge Feature Learning
- Title（参考訳）: 識別的エッジ特徴学習によるグラフ分類
- Authors: Yang Yi, Xuequan Lu, Shang Gao, Antonio Robles-Kelly, Yuejie Zhang
- Abstract要約: スペクトルグラフ畳み込みニューラルネットワーク(GCNN)は、グラフ分類タスクにおいて奨励的な結果を生み出している。
我々はGCNNの2つのグラフ畳み込み層間のエッジ特徴スキームとアドオン層を設計する。
提案手法は,3つのグラフデータセットの最先端グラフ分類法より優れている。
- 参考スコア（独自算出の注目度）: 17.86550507456848
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Spectral graph convolutional neural networks (GCNNs) have been producing
encouraging results in graph classification tasks. However, most spectral GCNNs
utilize fixed graphs when aggregating node features, while omitting edge
feature learning and failing to get an optimal graph structure. Moreover, many
existing graph datasets do not provide initialized edge features, further
restraining the ability of learning edge features via spectral GCNNs. In this
paper, we try to address this issue by designing an edge feature scheme and an
add-on layer between every two stacked graph convolution layers in GCNN. Both
are lightweight while effective in filling the gap between edge feature
learning and performance enhancement of graph classification. The edge feature
scheme makes edge features adapt to node representations at different graph
convolution layers. The add-on layers help adjust the edge features to an
optimal graph structure. To test the effectiveness of our method, we take
Euclidean positions as initial node features and extract graphs with semantic
information from point cloud objects. The node features of our extracted graphs
are more scalable for edge feature learning than most existing graph datasets
(in one-hot encoded label format). Three new graph datasets are constructed
based on ModelNet40, ModelNet10 and ShapeNet Part datasets. Experimental
results show that our method outperforms state-of-the-art graph classification
methods on the new datasets by reaching 96.56% overall accuracy on
Graph-ModelNet40, 98.79% on Graph-ModelNet10 and 97.91% on Graph-ShapeNet Part.
The constructed graph datasets will be released to the community.
- Abstract（参考訳）: スペクトルグラフ畳み込みニューラルネットワーク(GCNN)は、グラフ分類タスクにおいて奨励的な結果を生み出している。
しかし、ほとんどのスペクトルGCNNは、エッジ特徴学習を省略し、最適なグラフ構造を得ることができず、ノード特徴を集約するときに固定グラフを利用する。
さらに、既存のグラフデータセットの多くは初期化エッジ機能を提供しておらず、スペクトルGCNNを通じてエッジ機能を学習する能力をさらに抑制している。
本稿では,GCNNにおける2つのグラフ畳み込み層間のエッジ特徴体系とアドオン層を設計し,この問題に対処する。
どちらも軽量であり、エッジ特徴学習とグラフ分類の性能向上のギャップを埋めるのに効果的である。
edge feature schemeは、エッジ機能を異なるグラフ畳み込み層でのノード表現に適応させる。
アドオン層は、エッジ機能を最適なグラフ構造に調整するのに役立ちます。
本手法の有効性をテストするために,ユークリッド位置を初期ノードの特徴とし,ポイントクラウドオブジェクトから意味情報を持つグラフを抽出する。
抽出したグラフのノード機能は、既存のグラフデータセット(ワンホットエンコードされたラベル形式)よりもエッジ機能学習にスケーラブルです。
ModelNet40、ModelNet10、ShapeNet Partの3つの新しいグラフデータセットが構築されている。
実験結果から,グラフモデルNet40では96.56%,グラフモデルNet10では98.79%,グラフモデルNetPartでは97.91%,新しいデータセットでは96.56%,グラフモデルNet40では97.91%であった。
構築されたグラフデータセットがコミュニティに公開される。
関連論文リスト
- Spectral Greedy Coresets for Graph Neural Networks [61.24300262316091]
ノード分類タスクにおける大規模グラフの利用は、グラフニューラルネットワーク(GNN)の現実的な応用を妨げる
本稿では,GNNのグラフコアセットについて検討し,スペクトル埋め込みに基づくエゴグラフの選択により相互依存の問題を回避する。
我々のスペクトルグレディグラフコアセット(SGGC)は、数百万のノードを持つグラフにスケールし、モデル事前学習の必要性を排除し、低ホモフィリーグラフに適用する。
論文 参考訳（メタデータ） (2024-05-27T17:52:12Z) - Learning Adaptive Neighborhoods for Graph Neural Networks [45.94778766867247]
グラフ畳み込みネットワーク(GCN)は、グラフ構造化データのエンドツーエンド学習を可能にする。
本稿では,グラフトポロジを構築する新しいエンドツーエンドの微分可能なグラフ生成器を提案する。
私たちのモジュールは、グラフ畳み込み操作を含む既存のパイプラインに簡単に統合できます。
論文 参考訳（メタデータ） (2023-07-18T08:37:25Z) - 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) - Node Feature Extraction by Self-Supervised Multi-scale Neighborhood
Prediction [123.20238648121445]
我々は、新しい自己教師型学習フレームワーク、グラフ情報支援ノード機能exTraction (GIANT)を提案する。
GIANT は eXtreme Multi-label Classification (XMC) 形式を利用しており、これはグラフ情報に基づいた言語モデルの微調整に不可欠である。
我々は,Open Graph Benchmarkデータセット上での標準GNNパイプラインよりもGIANTの方が優れた性能を示す。
論文 参考訳（メタデータ） (2021-10-29T19:55:12Z) - Edge but not Least: Cross-View Graph Pooling [76.71497833616024]
本稿では,重要なグラフ構造情報を活用するために,クロスビューグラフプーリング(Co-Pooling)手法を提案する。
クロスビュー相互作用、エッジビュープーリング、ノードビュープーリングにより、相互にシームレスに強化され、より情報的なグラフレベルの表現が学習される。
論文 参考訳（メタデータ） (2021-09-24T08:01:23Z) - Training Robust Graph Neural Networks with Topology Adaptive Edge
Dropping [116.26579152942162]
グラフニューラルネットワーク(GNN)は、グラフ構造情報を利用してネットワークデータから表現をモデル化する処理アーキテクチャである。
彼らの成功にもかかわらず、GNNは限られた訓練データから得られる準最適一般化性能に悩まされている。
本稿では、一般化性能を改善し、堅牢なGNNモデルを学習するためのトポロジ適応エッジドロップ法を提案する。
論文 参考訳（メタデータ） (2021-06-05T13:20:36Z) - Scalable Graph Neural Networks for Heterogeneous Graphs [12.44278942365518]
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学習するためのパラメトリックモデルの一般的なクラスである。
最近の研究は、GNNが主に機能をスムースにするためにグラフを使用しており、ベンチマークタスクで競合する結果を示していると主張している。
本研究では、これらの結果が異種グラフに拡張可能かどうかを問うとともに、異なるエンティティ間の複数のタイプの関係を符号化する。
論文 参考訳（メタデータ） (2020-11-19T06:03:35Z) - Co-embedding of Nodes and Edges with Graph Neural Networks [13.020745622327894]
グラフ埋め込みは、高次元および非ユークリッド特徴空間でデータ構造を変換しエンコードする方法である。
CensNetは一般的なグラフ埋め込みフレームワークで、ノードとエッジの両方を潜在機能空間に埋め込む。
提案手法は,4つのグラフ学習課題における最先端のパフォーマンスを達成または一致させる。
論文 参考訳（メタデータ） (2020-10-25T22:39:31Z) - GraphCrop: Subgraph Cropping for Graph Classification [36.33477716380905]
我々は,サブ構造欠落の現実的なノイズをシミュレートするtextbfGraphCrop (Subgraph Cropping) データ拡張法を開発した。
グラフ分類のための有効な構造コンテキストを保存することにより、GNNはグローバルな意味でグラフ構造の内容を理解することを奨励する。
論文 参考訳（メタデータ） (2020-09-22T14:05:41Z) - 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。