論文の概要: GREAD: Graph Neural Reaction-Diffusion Equations
- arxiv url: http://arxiv.org/abs/2211.14208v1
- Date: Fri, 25 Nov 2022 16:16:25 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-28 17:47:01.693762
- Title: GREAD: Graph Neural Reaction-Diffusion Equations
- Title(参考訳): GREAD: グラフニューラル反応拡散方程式
- Authors: Jeongwhan Choi, Seoyoung Hong, Noseong Park, Sung-Bae Cho
- Abstract要約: グラフニューラルネットワーク(GNN)は、ディープラーニングに関する最も人気のある研究トピックの1つである。
拡散方程式はGNNのコア処理層の設計に広く用いられている。
反応拡散方程式に基づくGNN法を提案する。
- 参考スコア(独自算出の注目度): 22.90737022395036
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Graph neural networks (GNNs) are one of the most popular research topics for
deep learning. GNN methods typically have been designed on top of the graph
signal processing theory. In particular, diffusion equations have been widely
used for designing the core processing layer of GNNs and therefore, they are
inevitably vulnerable to the oversmoothing problem. Recently, a couple of
papers paid attention to reaction equations in conjunctions with diffusion
equations. However, they all consider limited forms of reaction equations. To
this end, we present a reaction-diffusion equation-based GNN method that
considers all popular types of reaction equations in addition to one special
reaction equation designed by us. To our knowledge, our paper is one of the
most comprehensive studies on reaction-diffusion equation-based GNNs. In our
experiments with 9 datasets and 17 baselines, our method, called GREAD,
outperforms them in almost all cases. Further synthetic data experiments show
that GREAD mitigates the oversmoothing and performs well for various homophily
rates.
- Abstract(参考訳): グラフニューラルネットワーク(GNN)は、ディープラーニングに関する最も人気のある研究トピックの1つである。
GNN法は通常、グラフ信号処理理論に基づいて設計されている。
特に、拡散方程式はGNNのコア処理層の設計に広く用いられており、過度に滑らかな問題に対して必然的に脆弱である。
最近、いくつかの論文が拡散方程式とともに反応方程式に注意を払っている。
しかし、それらはすべて限定的な反応方程式である。
そこで本研究では,我々が設計した1つの特殊反応方程式に加えて,一般的な反応方程式をすべて考慮した反応拡散式に基づくgnn法を提案する。
本論文は,反応拡散式に基づくgnnに関する最も包括的な研究の1つである。
9つのデータセットと17のベースラインを用いた実験では、GREADと呼ばれる手法がほぼすべてのケースで性能を向上する。
さらなる合成データ実験により、GREADは過剰な平滑化を緩和し、様々なホモフィリーレートで良好に機能することが示された。
関連論文リスト
- A Generalized Neural Diffusion Framework on Graphs [40.27512831977708]
我々は, 拡散過程とより多くのGNNの関係を正式に確立する, 忠実度項を持つ一般拡散方程式フレームワークを提案する。
高次拡散方程式では、HiD-Netは攻撃に対してより堅牢であり、ホモフィリーグラフとヘテロフィリーグラフの両方で作用する。
論文 参考訳(メタデータ) (2023-12-14T02:41:12Z) - 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) - Seq-HGNN: Learning Sequential Node Representation on Heterogeneous Graph [57.2953563124339]
本稿では,シーケンシャルノード表現,すなわちSeq-HGNNを用いた新しい異種グラフニューラルネットワークを提案する。
Heterogeneous Graph Benchmark (HGB) と Open Graph Benchmark (OGB) の4つの広く使われているデータセットについて広範な実験を行った。
論文 参考訳(メタデータ) (2023-05-18T07:27:18Z) - Learning to Solve PDE-constrained Inverse Problems with Graph Networks [51.89325993156204]
科学と工学にまたがる多くの応用分野において、偏微分方程式(PDE)によって定義される制約で逆問題を解決することに興味がある。
ここでは、これらのPDE制約された逆問題を解決するために、GNNを探索する。
GNNを用いて計算速度を最大90倍に向上させる。
論文 参考訳(メタデータ) (2022-06-01T18:48:01Z) - Climate Modeling with Neural Diffusion Equations [3.8521112392276]
ニューラル常微分方程式(NODE)と拡散方程式に基づく新しい気候モデルの設計を行う。
我々の手法は、既存のベースラインを非自明なマージンで一貫して上回る。
論文 参考訳(メタデータ) (2021-11-11T01:48:46Z) - GemNet: Universal Directional Graph Neural Networks for Molecules [7.484063729015126]
有向エッジ埋め込みと2ホップメッセージパッシングを備えたGNNは、予測の普遍的近似器であることを示す。
次にこれらの洞察と複数の構造的改善を活用して、幾何学的メッセージパッシングニューラルネットワーク(GemNet)を提案する。
論文 参考訳(メタデータ) (2021-06-02T15:44:55Z) - Novel DNNs for Stiff ODEs with Applications to Chemically Reacting Flows [0.0]
化学反応する流れは、超音速流、燃焼、爆発、製造プロセス、環境評価などの工学において一般的である。
燃焼のために、反応の数は(100を超える)有意であり、非常に大きなCPU要件のために、大量のフローと燃焼問題は、現在、最大のスーパーコンピュータの能力を超えています。
このことに動機づけられて、DNN(Deep Neural Networks)が近似剛性ODEに導入される。
論文 参考訳(メタデータ) (2021-04-01T22:54:22Z) - Fourier Neural Operator for Parametric Partial Differential Equations [57.90284928158383]
積分カーネルを直接フーリエ空間でパラメータ化することで、新しいニューラル演算子を定式化する。
バーガースの方程式、ダーシー流、ナビエ・ストークス方程式の実験を行う。
従来のPDEソルバに比べて最大3桁高速である。
論文 参考訳(メタデータ) (2020-10-18T00:34:21Z) - Multipole Graph Neural Operator for Parametric Partial Differential
Equations [57.90284928158383]
物理系をシミュレーションするためのディープラーニングベースの手法を使用する際の大きな課題の1つは、物理ベースのデータの定式化である。
線形複雑度のみを用いて、あらゆる範囲の相互作用をキャプチャする、新しいマルチレベルグラフニューラルネットワークフレームワークを提案する。
実験により, 離散化不変解演算子をPDEに学習し, 線形時間で評価できることを確認した。
論文 参考訳(メタデータ) (2020-06-16T21:56:22Z) - Optimization and Generalization Analysis of Transduction through
Gradient Boosting and Application to Multi-scale Graph Neural Networks [60.22494363676747]
現在のグラフニューラルネットワーク(GNN)は、オーバースムーシング(over-smoothing)と呼ばれる問題のため、自分自身を深くするのは難しいことが知られている。
マルチスケールGNNは、オーバースムーシング問題を緩和するための有望なアプローチである。
マルチスケールGNNを含むトランスダクティブ学習アルゴリズムの最適化と一般化を保証する。
論文 参考訳(メタデータ) (2020-06-15T17:06:17Z)
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。