Fugu-MT 論文翻訳(概要): Generalized energy and gradient flow via graph framelets

論文の概要: Generalized energy and gradient flow via graph framelets

arxiv url: http://arxiv.org/abs/2210.04124v1
Date: Sat, 8 Oct 2022 23:40:45 GMT
ステータス: 処理完了
システム内更新日: 2022-10-11 15:15:11.306926
Title: Generalized energy and gradient flow via graph framelets
Title（参考訳）: グラフフレームレットによる一般化エネルギーと勾配流れ
Authors: Andi Han, Dai Shi, Zhiqi Shao, Junbin Gao
Abstract要約: 我々は,エネルギー勾配流の観点から,フレームレットに基づくグラフニューラルネットワークの理論的理解を提供する。フレームレットモデルをいくつかのエネルギーの離散勾配流として見ることにより、低周波と高周波に支配されるダイナミックスの両方を誘導できることを示す。
参考スコア（独自算出の注目度）: 27.71018932795014
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In this work, we provide a theoretical understanding of the framelet-based graph neural networks through the perspective of energy gradient flow. By viewing the framelet-based models as discretized gradient flows of some energy, we show it can induce both low-frequency and high-frequency-dominated dynamics, via the separate weight matrices for different frequency components. This substantiates its good empirical performance on both homophilic and heterophilic graphs. We then propose a generalized energy via framelet decomposition and show its gradient flow leads to a novel graph neural network, which includes many existing models as special cases. We then explain how the proposed model generally leads to more flexible dynamics, thus potentially enhancing the representation power of graph neural networks.
Abstract（参考訳）: 本研究では,エネルギー勾配流の観点からフレームレット型グラフニューラルネットワークの理論的理解について述べる。フレームレットモデルをいくつかのエネルギーの離散勾配流として見ることにより、周波数成分の異なる重み行列を用いて低周波と高周波の両方を誘導できることを示す。これは、ホモ親和グラフとヘテロ親和グラフの両方において優れた経験的性能を示す。次に,フレームレット分解による一般化エネルギーを提案し,その勾配流れがグラフニューラルネットワークに繋がることを示す。次に,提案モデルがより柔軟なダイナミクスにどのようにつながるかを説明し,グラフニューラルネットワークの表現力を高める可能性を示した。

関連論文リスト

Neural Message Passing Induced by Energy-Constrained Diffusion [79.9193447649011]
本稿では,MPNNのメカニズムを理解するための原理的解釈可能なフレームワークとして,エネルギー制約付き拡散モデルを提案する。データ構造が(グラフとして)観察されたり、部分的に観察されたり、完全に観察されなかったりした場合に、新しいモデルが有望な性能が得られることを示す。
論文参考訳（メタデータ） (2024-09-13T17:54:41Z)
Injecting Hamiltonian Architectural Bias into Deep Graph Networks for Long-Range Propagation [55.227976642410766]
グラフ内の情報拡散のダイナミクスは、グラフ表現学習に大きな影響を及ぼす重要なオープン問題である。そこで我々は(ポート-)Hamiltonian Deep Graph Networksを紹介した。我々は,非散逸的長距離伝播と非保守的行動の両方を,単一の理論的・実践的な枠組みで調整する。
論文参考訳（メタデータ） (2024-05-27T13:36:50Z)
Dirichlet Energy Enhancement of Graph Neural Networks by Framelet Augmentation [19.56268823452656]
我々は、ディリクレエネルギーの分析にフレームレットシステムを導入し、ディリクレエネルギーを活用するためにマルチスケールの視点を採る。そこで我々は,エネルギ・エンハンスメント・コンボリューション(EEConv)を設計する。実験により、EEConvを用いたディープGNNは、さまざまなノード分類データセットに対して最先端のパフォーマンスを達成することが示された。
論文参考訳（メタデータ） (2023-11-09T22:22:18Z)
Advective Diffusion Transformers for Topological Generalization in Graph Learning [69.2894350228753]
グラフ拡散方程式は、様々なグラフトポロジーの存在下で、どのように外挿して一般化するかを示す。本稿では,新たなグラフエンコーダのバックボーンであるAdvective Diffusion Transformer (ADiT)を提案する。
論文参考訳（メタデータ） (2023-10-10T08:40:47Z)
SEGNO: Generalizing Equivariant Graph Neural Networks with Physical Inductive Biases [66.61789780666727]
等変性を維持しながら, 2階連続性をGNNに組み込む方法を示す。また、SEGNOに関する理論的知見も提供し、隣接する状態間の一意の軌跡を学習できることを強調している。我々のモデルは最先端のベースラインよりも大幅に改善されている。
論文参考訳（メタデータ） (2023-08-25T07:15:58Z)
A Fractional Graph Laplacian Approach to Oversmoothing [15.795926248847026]
非直交グラフから有向グラフへのオーバースムーシングの概念を一般化する。非局所力学を記述した分数グラフ Laplacian Neural ODE を提案する。グラフのディリクレエネルギーの収束に関して、我々の方法はより柔軟である。
論文参考訳（メタデータ） (2023-05-22T14:52:33Z)
Dynamic Causal Explanation Based Diffusion-Variational Graph Neural Network for Spatio-temporal Forecasting [60.03169701753824]
時間予測のための動的拡散型グラフニューラルネットワーク(DVGNN)を提案する。提案したDVGNNモデルは最先端のアプローチよりも優れ,Root Mean Squared Errorの結果が優れている。
論文参考訳（メタデータ） (2023-05-16T11:38:19Z)
Unravelling the Performance of Physics-informed Graph Neural Networks for Dynamical Systems [5.787429262238507]
グラフニューラルネットワーク(GNN)とその変種の性能を、明示的な制約と異なるアーキテクチャで評価する。本研究は, 明示的制約や運動エネルギーとポテンシャルエネルギーの疎結合などの付加的な誘導バイアスを有するGNNが, 性能を著しく向上することを示した。全ての物理インフォームドGNNは、訓練システムよりも桁違いの大きさのシステムサイズに対してゼロショットの一般化性を示し、大規模な現実的なシステムをシミュレートする有望な経路を提供する。
論文参考訳（メタデータ） (2022-11-10T12:29:30Z)
Understanding convolution on graphs via energies [23.18124653469668]
グラフネットワーク(GNN)は一般的にメッセージパッシングによって動作し、隣人から受信した情報に基づいてノードの状態が更新される。ほとんどのメッセージパッシングモデルはグラフ畳み込みとして機能し、エッジ上に伝播する前に共有された線形変換によって特徴が混合される。ノード分類タスクでは、グラフの畳み込みには2つの制限がある。
論文参考訳（メタデータ） (2022-06-22T11:45:36Z)
Graph-Coupled Oscillator Networks [23.597444325599835]
Graph-Coupled Networks (GraphCON)は、グラフのディープラーニングのための新しいフレームワークである。我々のフレームワークは,様々なグラフベースの学習タスクにおける最先端技術に関して,競争力のあるパフォーマンスを提供する。
論文参考訳（メタデータ） (2022-02-04T18:29:49Z)
Towards Deeper Graph Neural Networks [63.46470695525957]
グラフ畳み込みは近傍の集約を行い、最も重要なグラフ操作の1つである。いくつかの最近の研究で、この性能劣化は過度に滑らかな問題に起因している。本研究では,大きな受容領域からの情報を適応的に組み込むディープ適応グラフニューラルネットワーク(DAGNN)を提案する。
論文参考訳（メタデータ） (2020-07-18T01:11:14Z)

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。