Fugu-MT 論文翻訳(概要): Graph sampling for node embedding

論文の概要: Graph sampling for node embedding

arxiv url: http://arxiv.org/abs/2210.10520v1
Date: Wed, 19 Oct 2022 12:54:37 GMT
ステータス: 処理完了
システム内更新日: 2022-10-20 13:27:28.144393
Title: Graph sampling for node embedding
Title（参考訳）: ノード埋め込みのためのグラフサンプリング
Authors: Li-Chun Zhang
Abstract要約: 特徴ベクトルの明示的モデリングの有無にかかわらず,ノード埋め込みに対するサンプリング手法を提案する。グラフラプラシアンに関連する固有ベクトルとグラフに関連する与えられた値の両方から有用な情報を抽出することを目的としている。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Node embedding is a central topic in graph representation learning. Computational efficiency and scalability can be challenging to any method that requires full-graph operations. We propose sampling approaches to node embedding, with or without explicit modelling of the feature vector, which aim to extract useful information from both the eigenvectors related to the graph Laplacien and the given values associated with the graph.
Abstract（参考訳）: node組み込みは、グラフ表現学習の中心的なトピックである。計算効率とスケーラビリティは、フルグラフ演算を必要とするあらゆるメソッドにとって困難である。グラフラプラシアンに関連する固有ベクトルとグラフに関連する与えられた値の両方から有用な情報を抽出することを目的として,特徴ベクトルの明示的モデリングの有無にかかわらず,ノード埋め込みのサンプリング手法を提案する。

関連論文リスト

NodeFormer: A Scalable Graph Structure Learning Transformer for Node Classification [70.51126383984555]
本稿では,任意のノード間のノード信号を効率的に伝搬する全ペアメッセージパッシング方式を提案する。効率的な計算は、カーナライズされたGumbel-Softmax演算子によって実現される。グラフ上のノード分類を含む様々なタスクにおいて,本手法の有望な有効性を示す実験を行った。
論文参考訳（メタデータ） (2023-06-14T09:21:15Z)
GrannGAN: Graph annotation generative adversarial networks [72.66289932625742]
本稿では,高次元分布をモデル化し,グラフスケルトンと整合した複雑な関係特徴構造を持つデータの新しい例を生成することの問題点を考察する。提案するモデルは,タスクを2つのフェーズに分割することで,各データポイントのグラフ構造に制約されたデータ特徴を生成する問題に対処する。第一に、与えられたグラフのノードに関連する機能の分布をモデル化し、第二に、ノードのフィーチャに条件付きでエッジ機能を補完する。
論文参考訳（メタデータ） (2022-12-01T11:49:07Z)
Embedding Graphs on Grassmann Manifold [31.42901131602713]
本稿では,グラスマン多様体に近似した2階グラフ特性を組み込んだ新しいグラフ表現学習手法EGGを提案する。 EGGの有効性はノードレベルとグラフレベルでのクラスタリングと分類タスクの両方を用いて示される。
論文参考訳（メタデータ） (2022-05-30T12:56:24Z)
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)
Augmented Abstractive Summarization With Document-LevelSemantic Graph [3.0272794341021667]
従来の抽象的手法では、配列からシーケンスへの構造を適用して、モジュールなしで要約を生成する。セマンティックグラフを用いて生成性能を向上する。このようなエンティティグラフの情報を活用するために、新しいニューラルデコーダが提示される。
論文参考訳（メタデータ） (2021-09-13T15:12:34Z)
Explicit Pairwise Factorized Graph Neural Network for Semi-Supervised Node Classification [59.06717774425588]
本稿では,グラフ全体を部分的に観測されたマルコフ確率場としてモデル化するEPFGNN(Explicit Pairwise Factorized Graph Neural Network)を提案する。出力-出力関係をモデル化するための明示的なペアワイズ要素を含み、入力-出力関係をモデル化するためにGNNバックボーンを使用する。本研究では,グラフ上での半教師付きノード分類の性能を効果的に向上できることを示す。
論文参考訳（メタデータ） (2021-07-27T19:47:53Z)
Accurate Learning of Graph Representations with Graph Multiset Pooling [45.72542969364438]
本稿では,その構造的依存関係に応じてノード間の相互作用をキャプチャするグラフマルチセットトランス (GMT) を提案する。実験の結果,GMTはグラフ分類ベンチマークにおいて,最先端のグラフプーリング法を著しく上回っていることがわかった。
論文参考訳（メタデータ） (2021-02-23T07:45:58Z)
Understanding graph embedding methods and their applications [1.14219428942199]
グラフ埋め込み技術は、高次元スパースグラフを低次元密度連続ベクトル空間に変換するのに有効である。生成した非線形かつ高情報性の高いグラフ埋め込みは、異なる下流グラフ解析タスクに便利に利用することができる。
論文参考訳（メタデータ） (2020-12-15T00:30:22Z)
Line Graph Neural Networks for Link Prediction [71.00689542259052]
実世界の多くのアプリケーションにおいて古典的なグラフ解析問題であるグラフリンク予測タスクについて検討する。このフォーマリズムでは、リンク予測問題をグラフ分類タスクに変換する。本稿では,線グラフをグラフ理論に用いて,根本的に異なる新しい経路を求めることを提案する。特に、線グラフの各ノードは、元のグラフのユニークなエッジに対応するため、元のグラフのリンク予測問題は、グラフ分類タスクではなく、対応する線グラフのノード分類問題として等価に解決できる。
論文参考訳（メタデータ） (2020-10-20T05:54:31Z)
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。