論文の概要: Learning the Network of Graphs for Graph Neural Networks
- arxiv url: http://arxiv.org/abs/2210.03907v1
- Date: Sat, 8 Oct 2022 04:08:51 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-11 14:56:36.529984
- Title: Learning the Network of Graphs for Graph Neural Networks
- Title（参考訳）: グラフニューラルネットワークのためのグラフネットワークの学習
- Authors: Yixiang Shan, Jielong Yang, Xing Liu, Yixing Gao, Hechang Chen and
Shuzhi Sam Ge
- Abstract要約: 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扱う多くのシナリオで大きな成功を収めている。
グラフは未知であり、ノードはノイズの多い特徴を持ち、グラフはノイズの多い接続を含んでいる。
これらの問題を解決するために,GL-GNNと呼ばれる新しいグラフニューラルネットワークを提案する。
- 参考スコア（独自算出の注目度）: 13.607220832670434
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Graph neural networks (GNNs) have achieved great success in many scenarios
with graph-structured data. However, in many real applications, there are three
issues when applying GNNs: graphs are unknown, nodes have noisy features, and
graphs contain noisy connections. Aiming at solving these problems, we propose
a new graph neural network named as GL-GNN. Our model includes multiple
sub-modules, each sub-module selects important data features and learn the
corresponding key relation graph of data samples when graphs are unknown.
GL-GNN further obtains the network of graphs by learning the network of
sub-modules. The learned graphs are further fused using an aggregation method
over the network of graphs. Our model solves the first issue by simultaneously
learning multiple relation graphs of data samples as well as a relation network
of graphs, and solves the second and the third issue by selecting important
data features as well as important data sample relations. We compare our method
with 14 baseline methods on seven datasets when the graph is unknown and 11
baseline methods on two datasets when the graph is known. The results show that
our method achieves better accuracies than the baseline methods and is capable
of selecting important features and graph edges from the dataset. Our code will
be publicly available at \url{https://github.com/Looomo/GL-GNN}.
- Abstract（参考訳）: 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扱う多くのシナリオで大きな成功を収めている。
しかし、多くの実際のアプリケーションでは、gnnを適用する際に3つの問題があります。グラフが未知、ノードが騒がしい、グラフが騒がしい接続を持つ、の3つです。
これらの問題を解決するために,GL-GNNと呼ばれる新しいグラフニューラルネットワークを提案する。
我々のモデルは複数のサブモジュールを含み、各サブモジュールは重要なデータ特徴を選択し、グラフが未知のときにデータサンプルの対応するキー関係グラフを学習する。
GL-GNNはサブモジュールのネットワークを学習することでグラフのネットワークを得る。
学習したグラフは、グラフのネットワーク上のアグリゲーション手法によりさらに融合される。
本モデルでは,データサンプルの複数関係グラフとグラフの関係ネットワークを同時に学習し,重要なデータ特徴と重要なデータサンプルの関係を選択することにより,第2および第3の問題を解決する。
本手法は,グラフが未知な場合の7つのデータセットに対する14のベースライン法と,グラフが未知な場合の2つのデータセットに対する11のベースライン法とを比較した。
その結果,本手法はベースライン法よりも精度が高く,データセットから重要な特徴やグラフエッジを選択できることがわかった。
私たちのコードは、 \url{https://github.com/Looomo/GL-GNN}で公開されます。
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) - 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) - Automatic Relation-aware Graph Network Proliferation [182.30735195376792]
GNNを効率的に検索するためのARGNP(Automatic Relation-Aware Graph Network Proliferation)を提案する。
これらの操作は階層的なノード/リレーショナル情報を抽出し、グラフ上のメッセージパッシングのための異方的ガイダンスを提供する。
4つのグラフ学習タスクのための6つのデータセットの実験により、我々の手法によって生成されたGNNは、現在最先端の手作りおよび検索に基づくGNNよりも優れていることが示された。
論文 参考訳（メタデータ） (2022-05-31T10:38:04Z) - Graph-level Neural Networks: Current Progress and Future Directions [61.08696673768116]
グラフレベルのニューラルネットワーク(GLNN、ディープラーニングベースのグラフレベルの学習法)は、高次元データのモデリングにおいて優れているため、魅力的である。
本稿では,深層ニューラルネットワーク,グラフニューラルネットワーク,グラフプール上でのGLNNを網羅する系統分類法を提案する。
論文 参考訳（メタデータ） (2022-05-31T06:16:55Z) - KGNN: Harnessing Kernel-based Networks for Semi-supervised Graph
Classification [13.419578861488226]
半教師付きグラフ分類のための Kernel-based Graph Neural Network (KGNN) を提案する。
我々は,KGNNが競争ベースラインよりも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） (2022-05-21T10:03:46Z) - Neural Graph Matching for Pre-training Graph Neural Networks [72.32801428070749]
グラフニューラルネットワーク(GNN)は、構造データのモデリングにおいて強力な能力を示している。
GMPTと呼ばれる新しいグラフマッチングベースのGNN事前学習フレームワークを提案する。
提案手法は,完全自己指導型プレトレーニングと粗粒型プレトレーニングに適用できる。
論文 参考訳（メタデータ） (2022-03-03T09:53:53Z) - GraphTheta: A Distributed Graph Neural Network Learning System With
Flexible Training Strategy [5.466414428765544]
新しい分散グラフ学習システムGraphThetaを紹介します。
複数のトレーニング戦略をサポートし、大規模グラフ上で効率的でスケーラブルな学習を可能にします。
この仕事は、文学における10億規模のネットワーク上で実施された最大のエッジアトリビュートGNN学習タスクを表します。
論文 参考訳（メタデータ） (2021-04-21T14:51:33Z) - 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) - Lifelong Graph Learning [6.282881904019272]
連続グラフ学習問題を正規グラフ学習問題に変換することにより、グラフ学習と生涯学習を橋渡しする。
機能グラフネットワーク(FGN)は,ウェアラブルデバイスを用いた生涯の人間行動認識と特徴マッチングという2つのアプリケーションにおいて,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） (2020-09-01T18:21:34Z) - 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。