論文の概要: Application of Graph Neural Networks and graph descriptors for graph classification

• arxiv url: http://arxiv.org/abs/2211.03666v1
• Date: Mon, 7 Nov 2022 16:25:22 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-08 18:05:17.906234
• Title: Application of Graph Neural Networks and graph descriptors for graph classification
• Title（参考訳）: グラフニューラルネットワークとグラフ記述子のグラフ分類への応用
• Authors: Jakub Adamczyk
• Abstract要約: グラフ表現学習のデファクト標準ディープラーニング技術として登場したグラフニューラルネットワーク(GNN)に注目した。 我々は、公正な評価実験プロトコルを設計し、適切なデータセットの収集を選択する。 我々は多くの結論に達し、新しいアルゴリズムの性能と品質に新たな光を当てた。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graph classification is an important area in both modern research and industry. Multiple applications, especially in chemistry and novel drug discovery, encourage rapid development of machine learning models in this area. To keep up with the pace of new research, proper experimental design, fair evaluation, and independent benchmarks are essential. Design of strong baselines is an indispensable element of such works. In this thesis, we explore multiple approaches to graph classification. We focus on Graph Neural Networks (GNNs), which emerged as a de facto standard deep learning technique for graph representation learning. Classical approaches, such as graph descriptors and molecular fingerprints, are also addressed. We design fair evaluation experimental protocol and choose proper datasets collection. This allows us to perform numerous experiments and rigorously analyze modern approaches. We arrive to many conclusions, which shed new light on performance and quality of novel algorithms. We investigate application of Jumping Knowledge GNN architecture to graph classification, which proves to be an efficient tool for improving base graph neural network architectures. Multiple improvements to baseline models are also proposed and experimentally verified, which constitutes an important contribution to the field of fair model comparison.
• Abstract（参考訳）: グラフ分類は現代の研究と産業の両方において重要な分野である。 化学や新しい創薬における複数の応用は、この分野における機械学習モデルの急速な発展を促進する。 新しい研究のペースに合わせて、適切な実験設計、公正な評価、独立したベンチマークが不可欠である。 強ベースラインの設計はそのような作品の必須要素である。 本論文では,グラフ分類に対する複数のアプローチについて検討する。 グラフ表現学習のためのデファクトスタンダードなディープラーニング技術として登場したグラフニューラルネットワーク(gnns)に注目した。 グラフ記述子や分子指紋といった古典的なアプローチも取り組まれている。 我々は、公正な評価実験プロトコルを設計し、適切なデータセット収集を選択する。 これにより、多数の実験を行い、現代的なアプローチを厳格に分析することができます。 我々は多くの結論に達し、新しいアルゴリズムの性能と品質に新たな光を当てた。 本稿では,ジャンピング知識gnnアーキテクチャのグラフ分類への応用について検討し,ベースグラフニューラルネットワークアーキテクチャを改善するための効率的なツールであることを証明した。 ベースラインモデルに対する複数の改良も提案され、実験的に検証され、フェアモデル比較の分野に重要な貢献をする。

関連論文リスト

• Molecular Classification Using Hyperdimensional Graph Classification [41.38562343472387]
  この研究は超次元コンピューティングを利用してグラフ学習に革新的なアプローチを導入する。 この領域における重要な応用は、様々な分子構造にまたがるがん細胞の同定である。 グラフニューラルネットワーク(GNN)やWeisfieler-Lehmanグラフカーネル(WL)のような最先端のモデルと比較して,曲線の下の面積を比較検討したHDCモデルを提案する。
  論文  参考訳（メタデータ） (2024-03-18T23:16:17Z)
• State of the Art and Potentialities of Graph-level Learning [54.68482109186052]
  グラフレベルの学習は、比較、回帰、分類など、多くのタスクに適用されている。 グラフの集合を学習する伝統的なアプローチは、サブストラクチャのような手作りの特徴に依存している。 ディープラーニングは、機能を自動的に抽出し、グラフを低次元表現に符号化することで、グラフレベルの学習をグラフの規模に適応させるのに役立っている。
  論文  参考訳（メタデータ） (2023-01-14T09:15:49Z)
• An Empirical Study of Retrieval-enhanced Graph Neural Networks [48.99347386689936]
  グラフニューラルネットワーク(GNN)は、グラフ表現学習に有効なツールである。 本稿では,グラフニューラルネットワークモデルの選択に非依存な GraphRETRIEVAL という検索強化方式を提案する。 我々は13のデータセットに対して包括的な実験を行い、GRAPHRETRIEVALが既存のGNNよりも大幅に改善されていることを観察した。
  論文  参考訳（メタデータ） (2022-06-01T09:59:09Z)
• Graph Pooling for Graph Neural Networks: Progress, Challenges, and Opportunities [128.55790219377315]
  グラフニューラルネットワークは多くのグラフレベルのタスクの主要なアーキテクチャとして登場した。 グラフプーリングは、グラフ全体の全体的グラフレベル表現を得るためには不可欠である。
  論文  参考訳（メタデータ） (2022-04-15T04:02:06Z)
• Self-Supervised Graph Representation Learning for Neuronal Morphologies [75.38832711445421]
  ラベルのないデータセットから3次元神経形態の低次元表現を学習するためのデータ駆動型アプローチであるGraphDINOを提案する。 2つの異なる種と複数の脳領域において、この方法では、専門家による手動の特徴に基づく分類と同程度に形態学的細胞型クラスタリングが得られることを示す。 提案手法は,大規模データセットにおける新しい形態的特徴や細胞型の発見を可能にする可能性がある。
  論文  参考訳（メタデータ） (2021-12-23T12:17:47Z)
• Improving Graph Neural Networks with Simple Architecture Design [7.057970273958933]
  グラフニューラルネットワークの重要な設計戦略をいくつか紹介する。 簡便で浅いモデルである特徴選択グラフニューラルネットワーク(FSGNN)を紹介します。 提案手法は,他のGNNモデルよりも優れており,ノード分類タスクの精度が最大64%向上していることを示す。
  論文  参考訳（メタデータ） (2021-05-17T06:46:01Z)
• Bag of Tricks of Semi-Supervised Classification with Graph Neural Networks [0.0]
  本稿では,まず,既存の改良点の集合を概説し,モデル設計とラベル使用に関するいくつかの新しい手法を提案する。 アブレーション研究を通じて,最終モデル精度への影響を実証的に評価し,モデルアーキテクチャの改善による利益を上回る程度まで,様々なgnnモデルを大幅に改善できることを示した。
  論文  参考訳（メタデータ） (2021-03-24T17:24:26Z)
• Structure-Enhanced Meta-Learning For Few-Shot Graph Classification [53.54066611743269]
  本研究では,数点グラフ分類の解法のためのメトリベースメタラーニングの可能性を検討する。 SMFGINというGINの実装は、ChemblとTRIANGLESの2つのデータセットでテストされている。
  論文  参考訳（メタデータ） (2021-03-05T09:03:03Z)
• 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。

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。