論文の概要: Transductive Kernels for Gaussian Processes on Graphs

• arxiv url: http://arxiv.org/abs/2211.15322v1
• Date: Mon, 28 Nov 2022 14:00:50 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-29 16:15:43.817554
• Title: Transductive Kernels for Gaussian Processes on Graphs
• Title（参考訳）: グラフ上のガウス過程のためのトランスダクティブカーネル
• Authors: Yin-Cong Zhi, Felix L. Opolka, Yin Cheng Ng, Pietro Li\`o, Xiaowen Dong
• Abstract要約: 半教師付き学習のためのノード特徴データ付きグラフ用の新しいカーネルを提案する。 カーネルは、グラフと特徴データを2つの空間として扱うことにより、正規化フレームワークから派生する。 グラフ上のカーネルベースのモデルがどれだけの頻度で設計されているかを示す。
• 参考スコア（独自算出の注目度）: 7.542220697870243
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Kernels on graphs have had limited options for node-level problems. To address this, we present a novel, generalized kernel for graphs with node feature data for semi-supervised learning. The kernel is derived from a regularization framework by treating the graph and feature data as two Hilbert spaces. We also show how numerous kernel-based models on graphs are instances of our design. A kernel defined this way has transductive properties, and this leads to improved ability to learn on fewer training points, as well as better handling of highly non-Euclidean data. We demonstrate these advantages using synthetic data where the distribution of the whole graph can inform the pattern of the labels. Finally, by utilizing a flexible polynomial of the graph Laplacian within the kernel, the model also performed effectively in semi-supervised classification on graphs of various levels of homophily.
• Abstract（参考訳）: グラフ上のカーネルは、ノードレベルの問題に対する選択肢が限られている。 そこで本研究では,ノード特徴データ付きグラフ用カーネルを,半教師付き学習用として提案する。 カーネルは、グラフと特徴データを2つのヒルベルト空間として扱うことで正規化フレームワークから派生する。 また、グラフ上のカーネルベースのモデルが私たちの設計の例であることも示しています。 この方法で定義されたカーネルは、トランスダクティブ特性を持ち、より少ないトレーニングポイントで学習する能力が向上し、高度に非ユークリッドなデータの処理性が向上する。 グラフ全体の分布がラベルのパターンを知らせることができる合成データを用いて,これらの利点を実証する。 最後に、カーネル内のグラフラプラシアンの柔軟な多項式を利用することで、モデルは様々なレベルのホモフィリーグラフ上の半教師付き分類でも効果的に機能する。

関連論文リスト

• Graph Generation via Spectral Diffusion [51.60814773299899]
  本稿では,1)グラフラプラシア行列のスペクトル分解と2)拡散過程に基づく新しいグラフ生成モデルGRASPを提案する。 具体的には、固有ベクトルと固有値のサンプリングにデノナイジングモデルを用い、グラフラプラシアン行列と隣接行列を再構成する。 我々の置換不変モデルは各ノードの固有ベクトルに連結することでノードの特徴を扱える。
  論文  参考訳（メタデータ） (2024-02-29T09:26:46Z)
• Learning to Approximate Adaptive Kernel Convolution on Graphs [4.434835769977399]
  本稿では,拡散カーネルのスケールによって特徴集約の範囲を制御できる拡散学習フレームワークを提案する。 本モデルは,最先端データセットの性能評価のためのノードワイズ分類のための様々な標準で検証されている。 グラフ分類のための実世界の脳ネットワークデータにも検証され、アルツハイマー分類の実用性を実証している。
  論文  参考訳（メタデータ） (2024-01-22T10:57:11Z)
• 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)
• Graph Neural Network Bandits [89.31889875864599]
  グラフ構造データ上で定義された報酬関数を用いた帯域最適化問題を考察する。 この設定の主な課題は、大きなドメインへのスケーリングと、多くのノードを持つグラフへのスケーリングである。 グラフニューラルネットワーク(GNN)を用いて報酬関数を推定できることを示す。
  論文  参考訳（メタデータ） (2022-07-13T18:12:36Z)
• Graph Kernel Neural Networks [53.91024360329517]
  本稿では、グラフ上の内部積を計算するカーネル関数であるグラフカーネルを用いて、標準畳み込み演算子をグラフ領域に拡張することを提案する。 これにより、入力グラフの埋め込みを計算する必要のない完全に構造的なモデルを定義することができる。 私たちのアーキテクチャでは,任意の種類のグラフカーネルをプラグインすることが可能です。
  論文  参考訳（メタデータ） (2021-12-14T14:48:08Z)
• Graph Filtration Kernels [3.325932244741268]
  本稿では,特徴区間を組み込んだグラフカーネル群を提案する。 Wesfeiler-Lehmanラベルを特定のフィルター上で使用すると、通常のWeisfeiler-Lehmanプロシージャよりも表現力が強くなる。
  論文  参考訳（メタデータ） (2021-10-22T15:51:10Z)
• Neighborhood Preserving Kernels for Attributed Graphs [0.9176056742068812]
  本稿では,属性グラフに適した再生カーネルの設計について述べる。 2つのグラフ間の類似性は、グラフノードの近傍情報に基づいて定義される。 提案したカーネルをサポートベクトルマシンに組み込むことで,実世界のデータセットを分析した。
  論文  参考訳（メタデータ） (2020-10-13T09:58:50Z)
• Dirichlet Graph Variational Autoencoder [65.94744123832338]
  本稿では,グラフクラスタメンバシップを潜在因子とするDGVAE(Dirichlet Graph Variational Autoencoder)を提案する。 バランスグラフカットにおける低パス特性により、入力グラフをクラスタメンバシップにエンコードする、Heattsと呼ばれるGNNの新しい変種を提案する。
  論文  参考訳（メタデータ） (2020-10-09T07:35:26Z)
• 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)
• Convolutional Kernel Networks for Graph-Structured Data [37.13712126432493]
  我々は,多層グラフカーネルのファミリーを導入し,グラフ畳み込みニューラルネットワークとカーネルメソッドの新たなリンクを確立する。 提案手法は,グラフをカーネル特徴写像の列として表現することにより,畳み込みカーネルネットワークをグラフ構造データに一般化する。 我々のモデルは、大規模データに対してエンドツーエンドでトレーニングすることもでき、新しいタイプのグラフ畳み込みニューラルネットワークをもたらす。
  論文  参考訳（メタデータ） (2020-03-11T09:44:03Z)
• A Hierarchical Transitive-Aligned Graph Kernel for Un-attributed Graphs [11.51839867040302]
  我々は、グラフ間の頂点を推移的に整列させることにより、新しいグラフカーネル、すなわち階層的推移型カーネルを開発する。 提案したカーネルは、分類精度の観点から、標準グラフベースのデータセット上で最先端のグラフカーネルより優れている。
  論文  参考訳（メタデータ） (2020-02-08T11:46:25Z)

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。