論文の概要: Not All Neighbors Are Worth Attending to: Graph Selective Attention Networks for Semi-supervised Learning

• arxiv url: http://arxiv.org/abs/2210.07715v1
• Date: Fri, 14 Oct 2022 11:28:47 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-17 17:18:03.587976
• Title: Not All Neighbors Are Worth Attending to: Graph Selective Attention Networks for Semi-supervised Learning
• Title（参考訳）: 半教師付き学習のためのグラフ選択的注意ネットワーク
• Authors: Tiantian He, Haicang Zhou, Yew-Soon Ong, Gao Cong
• Abstract要約: グラフアテンションネットワーク(GAT)は、さまざまな現実シナリオからグラフデータを分析するための強力なツールである。 隣人の大部分が実世界の多くのグラフの中央ノードとは無関係であり、隣人の集約から除外できることを示す。 高い相関ノード特徴から表現を学習するためのグラフ選択型アテンションネットワーク(SAT)を提案する。
• 参考スコア（独自算出の注目度）: 37.20604257135713
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graph attention networks (GATs) are powerful tools for analyzing graph data from various real-world scenarios. To learn representations for downstream tasks, GATs generally attend to all neighbors of the central node when aggregating the features. In this paper, we show that a large portion of the neighbors are irrelevant to the central nodes in many real-world graphs, and can be excluded from neighbor aggregation. Taking the cue, we present Selective Attention (SA) and a series of novel attention mechanisms for graph neural networks (GNNs). SA leverages diverse forms of learnable node-node dissimilarity to acquire the scope of attention for each node, from which irrelevant neighbors are excluded. We further propose Graph selective attention networks (SATs) to learn representations from the highly correlated node features identified and investigated by different SA mechanisms. Lastly, theoretical analysis on the expressive power of the proposed SATs and a comprehensive empirical study of the SATs on challenging real-world datasets against state-of-the-art GNNs are presented to demonstrate the effectiveness of SATs.
• Abstract（参考訳）: グラフアテンションネットワーク(GAT)は、さまざまな現実シナリオからグラフデータを分析するための強力なツールである。 下流タスクの表現を学習するために、GATは通常、機能を集約する際、中央ノードのすべての隣人に出席する。 本稿では,多くの実世界のグラフにおいて,近隣のノードの大部分は中心ノードとは無関係であり,隣接する集約から除外できることを示す。 本稿では,グラフニューラルネットワーク(GNN)における選択注意(Selective Attention,SA)と新たな注意機構について述べる。 saは、学習可能なノードノードの異種性を利用して、無関係な隣人を排除する各ノードの注意の範囲を取得する。 さらに,異なるSA機構によって識別・調査された高相関ノード特徴から表現を学習するために,グラフ選択型アテンションネットワーク(SAT)を提案する。 最後に,提案するsatの表現力に関する理論的解析と,最先端gnnに対する実世界データセットに対するsatの包括的実証研究を行い,satの有効性を実証した。

関連論文リスト

• Neighbor Overlay-Induced Graph Attention Network [5.792501481702088]
  グラフニューラルネットワーク(GNN)は、グラフデータを表現できることから、大きな注目を集めている。 本研究は、次の2つのアイデアを持つ、隣接するオーバーレイ誘発グラフアテンションネットワーク(NO-GAT)を提案する。 グラフベンチマークデータセットに関する実証研究は、提案されたNO-GATが最先端モデルより一貫して優れていることを示している。
  論文  参考訳（メタデータ） (2024-08-16T15:01:28Z)
• MDS-GNN: A Mutual Dual-Stream Graph Neural Network on Graphs with Incomplete Features and Structure [8.00268216176428]
  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から表現を分析し学習するための強力なツールとして登場した。 GNNの卓越した性能にとって重要な前提条件は、完全なグラフ情報の提供である。 本研究では,特徴と構造間の相互利益学習を実装した相互二重ストリームグラフニューラルネットワーク(MDS-GNN)を提案する。
  論文  参考訳（メタデータ） (2024-08-09T03:42:56Z)
• Unveiling Global Interactive Patterns across Graphs: Towards Interpretable Graph Neural Networks [31.29616732552006]
  グラフニューラルネットワーク(GNN)は、グラフマイニングの著名なフレームワークとして登場した。 本稿では,グラフ分類に内在的に解釈可能な新しい手法を提案する。 グローバル対話パターン(GIP)学習は、学習可能なグローバル対話パターンを導入し、決定を明示的に解釈する。
  論文  参考訳（メタデータ） (2024-07-02T06:31:13Z)
• DGNN: Decoupled Graph Neural Networks with Structural Consistency between Attribute and Graph Embedding Representations [62.04558318166396]
  グラフニューラルネットワーク(GNN)は、複雑な構造を持つグラフ上での表現学習の堅牢性を示す。 ノードのより包括的な埋め込み表現を得るために、Decoupled Graph Neural Networks (DGNN)と呼ばれる新しいGNNフレームワークが導入された。 複数のグラフベンチマークデータセットを用いて、ノード分類タスクにおけるDGNNの優位性を検証した。
  論文  参考訳（メタデータ） (2024-01-28T06:43:13Z)
• Mitigating Semantic Confusion from Hostile Neighborhood for Graph Active Learning [38.5372139056485]
  Graph Active Learning(GAL)は、グラフニューラルネットワーク(GNN)のパフォーマンスを最大化するためのアノテーションのための、グラフで最も情報に富むノードを見つけることを目的としている。 Gal戦略は、特にグラフがノイズの多い場合、選択したトレーニングセットに意味的な混乱をもたらす可能性がある。 本稿では,意味的混乱を緩和するために,グラフのためのセマンティック・アウェア・アクティブ・ラーニング・フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-08-17T07:06:54Z)
• Discovering the Representation Bottleneck of Graph Neural Networks from Multi-order Interactions [51.597480162777074]
  グラフニューラルネットワーク(GNN)は、ノード機能を伝搬し、インタラクションを構築するためにメッセージパッシングパラダイムに依存している。 最近の研究は、異なるグラフ学習タスクはノード間の異なる範囲の相互作用を必要とすることを指摘している。 科学領域における2つの共通グラフ構築法、すなわち、emphK-nearest neighbor(KNN)グラフとemphfully-connected(FC)グラフについて検討する。
  論文  参考訳（メタデータ） (2022-05-15T11:38:14Z)
• Reasoning Graph Networks for Kinship Verification: from Star-shaped to Hierarchical [85.0376670244522]
  階層型推論グラフネットワークの学習による顔の親和性検証の問題点について検討する。 より強力で柔軟なキャパシティを利用するために,星型推論グラフネットワーク(S-RGN)を開発した。 また、より強力で柔軟なキャパシティを利用する階層型推論グラフネットワーク(H-RGN)も開発しています。
  論文  参考訳（メタデータ） (2021-09-06T03:16:56Z)
• CAGNN: Cluster-Aware Graph Neural Networks for Unsupervised Graph Representation Learning [19.432449825536423]
  教師なしグラフ表現学習は、教師なしの低次元ノード埋め込みを学習することを目的としている。 本稿では、自己教師付き手法を用いた教師なしグラフ表現学習のための新しいクラスタ対応グラフニューラルネットワーク(CAGNN)モデルを提案する。
  論文  参考訳（メタデータ） (2020-09-03T13:57:18Z)
• Distance Encoding: Design Provably More Powerful Neural Networks for Graph Representation Learning [63.97983530843762]
  グラフニューラルネットワーク(GNN)はグラフ表現学習において大きな成功を収めている。 GNNは、実際には非常に異なるグラフ部分構造に対して同一の表現を生成する。 より強力なGNNは、最近高階試験を模倣して提案され、基礎となるグラフ構造を疎結合にできないため、非効率である。 本稿では,グラフ表現学習の新たなクラスとして距離分解(DE)を提案する。
  論文  参考訳（メタデータ） (2020-08-31T23:15:40Z)
• Graph Prototypical Networks for Few-shot Learning on Attributed Networks [72.31180045017835]
  グラフメタ学習フレームワーク - Graph Prototypeal Networks (GPN) を提案する。 GPNは、属性付きネットワーク上でテキストミータ学習を行い、ターゲット分類タスクを扱うための高度に一般化可能なモデルを導出する。
  論文  参考訳（メタデータ） (2020-06-23T04:13:23Z)

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。