論文の概要: Graph Neural Networks for Community Detection on Sparse Graphs
- arxiv url: http://arxiv.org/abs/2211.03231v1
- Date: Sun, 6 Nov 2022 22:38:13 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-08 19:26:25.293865
- Title: Graph Neural Networks for Community Detection on Sparse Graphs
- Title(参考訳): スパースグラフを用いたコミュニティ検出のためのグラフニューラルネットワーク
- Authors: Luana Ruiz, Ningyuan (Teresa) Huang, Soledad Villar
- Abstract要約: 空間の異なるグラフを生成できるランダムグラフモデルを考える。
グラフニューラルネットワークはスパースグラフのスペクトル法より優れていることを示す。
- 参考スコア(独自算出の注目度): 17.00350632098346
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Spectral methods provide consistent estimators for community detection in
dense graphs. However, their performance deteriorates as the graphs become
sparser. In this work we consider a random graph model that can produce graphs
at different levels of sparsity, and we show that graph neural networks can
outperform spectral methods on sparse graphs. We illustrate the results with
numerical examples in both synthetic and real graphs.
- Abstract(参考訳): スペクトル法は、密度グラフにおけるコミュニティ検出のための一貫した推定器を提供する。
しかし、グラフがスペーサーになるにつれてパフォーマンスは悪化する。
本研究では,異なるレベルのグラフを生成可能なランダムグラフモデルについて検討し,グラフニューラルネットワークがスパースグラフのスペクトル法より優れていることを示す。
結果は合成グラフと実グラフの両方で数値的な例で示します。
関連論文リスト
- Graph Condensation via Eigenbasis Matching [48.99164820872498]
グラフ凝縮は、実際の大きなグラフをはるかに小さな合成グラフで置き換えることを目的としている。
既存のGCメソッドは、一般化が貧弱なため、同じ合成グラフ上で訓練された異なるGNNは明らかに性能差がある。
本稿では、2つの重要なステップを持つGCEMと呼ばれるスペクトルフリーグラフ凝縮に対する固有基底マッチングを提案する。
論文 参考訳(メタデータ) (2023-10-13T15:48:12Z) - Graph Mixup with Soft Alignments [49.61520432554505]
本研究では,画像上での使用に成功しているミキサアップによるグラフデータの増大について検討する。
ソフトアライメントによるグラフ分類のための簡易かつ効果的な混合手法であるS-Mixupを提案する。
論文 参考訳(メタデータ) (2023-06-11T22:04:28Z) - Graph Classification Gaussian Processes via Spectral Features [7.474662887810221]
グラフ分類は、その構造とノード属性に基づいてグラフを分類することを目的としている。
本研究では,スペクトル特徴を導出するグラフ信号処理ツールを用いて,この課題に取り組むことを提案する。
このような単純なアプローチであっても、学習されたパラメータがなくても、強力なニューラルネットワークやグラフカーネルのベースラインと比較して、競争力のあるパフォーマンスが得られることを示す。
論文 参考訳(メタデータ) (2023-06-06T15:31:05Z) - FoSR: First-order spectral rewiring for addressing oversquashing in GNNs [0.0]
グラフニューラルネットワーク(GNN)は、グラフのエッジに沿ってメッセージを渡すことによって、グラフデータの構造を活用することができる。
本稿では,グラフにエッジを体系的に付加することで過疎化を防止する計算効率のよいアルゴリズムを提案する。
提案アルゴリズムは,いくつかのグラフ分類タスクにおいて,既存のグラフリウィリング手法よりも優れていることを示す。
論文 参考訳(メタデータ) (2022-10-21T07:58:03Z) - Graph Condensation via Receptive Field Distribution Matching [61.71711656856704]
本稿では,元のグラフを表す小さなグラフの作成に焦点をあてる。
我々は、元のグラフを受容体の分布とみなし、受容体が同様の分布を持つ小さなグラフを合成することを目的としている。
論文 参考訳(メタデータ) (2022-06-28T02:10:05Z) - 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) - 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) - XGNN: Towards Model-Level Explanations of Graph Neural Networks [113.51160387804484]
グラフニューラルネットワーク(GNN)は、隣の情報を集約して組み合わせることでノードの特徴を学習する。
GNNはブラックボックスとして扱われ、人間の知的な説明が欠けている。
我々はモデルレベルでGNNを解釈する新しい手法 XGNN を提案する。
論文 参考訳(メタデータ) (2020-06-03T23:52:43Z) - Graphon Pooling in Graph Neural Networks [169.09536309161314]
グラフニューラルネットワーク(GNN)は、グラフによってモデル化された不規則構造上の信号の処理を含む様々なアプリケーションで効果的に使用されている。
本稿では,グラフのスペクトル特性を保存したグラフオンを用いて,GNNのプールとサンプリングを行う新しい手法を提案する。
論文 参考訳(メタデータ) (2020-03-03T21:04:20Z)
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。