Fugu-MT 論文翻訳(概要): Interpretable Node Representation with Attribute Decoding

論文の概要: Interpretable Node Representation with Attribute Decoding

arxiv url: http://arxiv.org/abs/2212.01682v1
Date: Sat, 3 Dec 2022 20:20:24 GMT
ステータス: 処理完了
システム内更新日: 2022-12-06 19:05:22.795133
Title: Interpretable Node Representation with Attribute Decoding
Title（参考訳）: 属性デコードによる解釈可能なノード表現
Authors: Xiaohui Chen, Xi Chen, Liping Liu
Abstract要約: ノード表現学習において属性復号化が重要であることを示す。我々は、属性デコーディング(NORAD)を用いた新しい学習モデルNOde表現を提案する。
参考スコア（独自算出の注目度）: 20.591882093727413
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Variational Graph Autoencoders (VGAEs) are powerful models for unsupervised learning of node representations from graph data. In this work, we systematically analyze modeling node attributes in VGAEs and show that attribute decoding is important for node representation learning. We further propose a new learning model, interpretable NOde Representation with Attribute Decoding (NORAD). The model encodes node representations in an interpretable approach: node representations capture community structures in the graph and the relationship between communities and node attributes. We further propose a rectifying procedure to refine node representations of isolated notes, improving the quality of these nodes' representations. Our empirical results demonstrate the advantage of the proposed model when learning graph data in an interpretable approach.
Abstract（参考訳）: 変分グラフオートエンコーダ(VGAE)は、グラフデータからノード表現を教師なし学習するための強力なモデルである。本研究では,vgaeにおけるノード属性のモデル化を体系的に分析し,ノード表現学習において属性復号が重要であることを示す。さらに,新たな学習モデルであるNOde Representation with Attribute Decoding (NORAD)を提案する。このモデルは、解釈可能なアプローチでノード表現をエンコードする。ノード表現は、グラフ内のコミュニティ構造と、コミュニティとノード属性の関係をキャプチャする。さらに,孤立音符のノード表現を洗練し,それらのノード表現の品質を向上させるための整流手順を提案する。実験結果は,グラフデータを解釈可能な手法で学習する場合,提案モデルの利点を示す。

関連論文リスト

AGHINT: Attribute-Guided Representation Learning on Heterogeneous Information Networks with Transformer [4.01252998015631]
本稿では,ノード間特性の相違がベンチマークタスクにおけるHGNNの性能に与える影響について検討する。我々はTransformer (AGHINT) を用いたAttribute-Guidous Information Networks表現学習モデルを提案する。 AGHINTは、学習プロセスに高次の類似した特徴を直接統合することで、元のグラフ構造の制約を超越する。
論文参考訳（メタデータ） (2024-04-16T10:30:48Z)
DGNN: Decoupled Graph Neural Networks with Structural Consistency between Attribute and Graph Embedding Representations [62.04558318166396]
グラフニューラルネットワーク(GNN)は、複雑な構造を持つグラフ上での表現学習の堅牢性を示す。ノードのより包括的な埋め込み表現を得るために、Decoupled Graph Neural Networks (DGNN)と呼ばれる新しいGNNフレームワークが導入された。複数のグラフベンチマークデータセットを用いて、ノード分類タスクにおけるDGNNの優位性を検証した。
論文参考訳（メタデータ） (2024-01-28T06:43:13Z)
GraphRARE: Reinforcement Learning Enhanced Graph Neural Network with Relative Entropy [21.553180564868306]
GraphRAREはノード相対エントロピーと深層強化学習に基づいて構築されたフレームワークである。革新的なノード相対エントロピーは、ノードペア間の相互情報を測定するために使用される。グラフトポロジを最適化するために,深層強化学習に基づくアルゴリズムを開発した。
論文参考訳（メタデータ） (2023-12-15T11:30:18Z)
Self-Supervised Node Representation Learning via Node-to-Neighbourhood Alignment [10.879056662671802]
自己教師付きノード表現学習は、教師付きノードと競合する未ラベルグラフからノード表現を学ぶことを目的としている。本研究では,ノードとその周辺領域の隠蔽表現を整列させることにより,単純なyet効率の自己教師付きノード表現学習を提案する。我々は,グラフ構造化データセットの集合に対して,ノード分類性能が期待できるノード表現を,小規模から大規模に学習する。
論文参考訳（メタデータ） (2023-02-09T13:21:18Z)
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)
Directed Graph Auto-Encoders [3.2873782624127843]
Wesfeiler-Lemanアルゴリズムのノードラベルへの直接拡張によって動機付けられた有向グラフのための新しい自動エンコーダのクラスを導入する。本稿では,提案モデルが有意な潜伏埋め込みを学習し,有向リンク予測タスクにおいて優れた性能を実現する能力を示す。
論文参考訳（メタデータ） (2022-02-25T01:19:47Z)
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)
Self-Supervised Graph Representation Learning via Topology Transformations [61.870882736758624]
本稿では,グラフデータのノード表現のための自己教師型学習の一般的なパラダイムであるトポロジー変換同変表現学習について述べる。実験では,提案手法を下流ノードおよびグラフ分類タスクに適用し,提案手法が最先端の教師なし手法より優れていることを示す。
論文参考訳（メタデータ） (2021-05-25T06:11:03Z)
GraphSVX: Shapley Value Explanations for Graph Neural Networks [81.83769974301995]
グラフニューラルネットワーク(GNN)は、幾何データに基づく様々な学習タスクにおいて大きな性能を発揮する。本稿では,既存のGNN解説者の多くが満足する統一フレームワークを提案する。 GNN用に特別に設計されたポストホックローカルモデル非依存説明法であるGraphSVXを紹介します。
論文参考訳（メタデータ） (2021-04-18T10:40:37Z)
Learning the Implicit Semantic Representation on Graph-Structured Data [57.670106959061634]
グラフ畳み込みネットワークにおける既存の表現学習手法は主に、各ノードの近傍を知覚全体として記述することで設計される。本稿では,グラフの潜在意味パスを学習することで暗黙的な意味を探索する意味グラフ畳み込みネットワーク(sgcn)を提案する。
論文参考訳（メタデータ） (2021-01-16T16:18:43Z)
Multi-grained Semantics-aware Graph Neural Networks [13.720544777078642]
グラフニューラルネットワーク(GNN)は、グラフの表現学習において強力な技術である。本研究では,ノードとグラフ表現を対話的に学習する統合モデルAdamGNNを提案する。 14の実世界のグラフデータセットに対する実験により、AdamGNNはノードとグラフの両方のタスクにおいて17の競合するモデルを大幅に上回っていることが示された。
論文参考訳（メタデータ） (2020-10-01T07:52:06Z)

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。