論文の概要: Technical Report of Mixing Local Patterns
- arxiv url: http://arxiv.org/abs/2212.03654v2
- Date: Tue, 2 May 2023 08:44:46 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-03 17:36:41.529694
- Title: Technical Report of Mixing Local Patterns
- Title(参考訳): 局所パターンの混合に関する技術報告
- Authors: Shuai Zheng
- Abstract要約: グラフニューラルネットワーク(GNN)は、ホモ親和性グラフデータに顕著な性能を示す。
グラフ内の局所的な混合構造パターンは無視すべきではない。
- 参考スコア(独自算出の注目度): 3.9544200939959584
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Graph neural networks (GNNs) have shown remarkable performance on homophilic
graph data while being far less impressive when handling non-homophilic graph
data due to the inherent low-pass filtering property of GNNs. In the face of
analyzing complex real-world graphs with different homophily properties, the
latent mixed local structural patterns in graphs should not be neglected.
Therefore, the two questions, i.e., (\textbf{Q1}) and (\textbf{Q2}) as motioned
above, should be well considered on the way to implementing a more generic GNN.
For this purpose, we attempt to get deeper insights into them from two points,
respectively, \textbf{(A1): Randomness of local patterns}, and \textbf{(A2):
Aggregability of near-neighbors}.
- Abstract(参考訳): グラフニューラルネットワーク(GNN)は、GNNの固有のローパスフィルタリング特性により、非ホモフィルグラフデータを扱う場合、好ましくないグラフデータに対して顕著な性能を示した。
ホモフィリーな性質の異なる複素実世界のグラフを解析する場合、グラフ内の潜在混合局所構造パターンは無視されるべきではない。
したがって、上述したように (\textbf{Q1}) と (\textbf{Q2}) という2つの質問は、より一般的な GNN の実装の途中でよく検討されるべきである。
この目的のために、我々はそれぞれの点からより深い洞察を得ようと試みる: \textbf{(A1): 局所パターンのランダム性、および \textbf{(A2): 近傍近傍パターンの集約可能性。
関連論文リスト
- Rethinking Spectral Graph Neural Networks with Spatially Adaptive
Filtering [31.595664867365322]
スペクトルグラフニューラルネットワーク(GNN)はスペクトル領域において十分に確立されているが、近似への実際の依存は空間領域への深いリンクを意味する。
スペクトルと空間アグリゲーションの間に理論的な関係を確立し、スペクトルが元のグラフを適応した新しいグラフに暗黙的に導く本質的な相互作用を明らかにする。
本稿では,非局所的な補助的なアグリゲーションのためのスペクトルフィルタリングにより適応された新しいグラフを利用する空間適応フィルタリング(SAF)フレームワークを提案する。
論文 参考訳(メタデータ) (2024-01-17T09:12:31Z) - ASWT-SGNN: Adaptive Spectral Wavelet Transform-based Self-Supervised
Graph Neural Network [20.924559944655392]
本稿では,適応スペクトルウェーブレット変換を用いた自己教師付きグラフニューラルネットワーク(ASWT-SGNN)を提案する。
ASWT-SGNNは高密度スペクトル領域におけるフィルタ関数を正確に近似し、コストの高い固有分解を避ける。
ノード分類タスクにおける最先端モデルに匹敵するパフォーマンスを実現する。
論文 参考訳(メタデータ) (2023-12-10T03:07:42Z) - Learning Graph Filters for Spectral GNNs via Newton Interpolation [39.30388556775591]
スペクトルグラフネットワーク(GNN)は、スペクトルフィルタを学習することで、メッセージパスGNNの限界を超えることができる。
低周波フィルタはホモフィリーと正の相関を持ち、高周波フィルタは負の相関を持つ。
NewtonNetは、望まれるフィルタ形状をうまく達成し、同好性データセットと異好性データセットの両方で優れた形状認識性能を示す。
論文 参考訳(メタデータ) (2023-10-16T04:57:30Z) - Deep Graph Neural Networks via Flexible Subgraph Aggregation [50.034313206471694]
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から学習し、近隣情報を集約することでノードの表現を学ぶ。
本稿では,サブグラフアグリゲーションの観点から,GNNの表現力を評価する。
サブグラフアグリゲーションの異なるホップをより柔軟に活用できるサンプリングベースノードレベル残余モジュール(SNR)を提案する。
論文 参考訳(メタデータ) (2023-05-09T12:03:42Z) - Learnable Filters for Geometric Scattering Modules [64.03877398967282]
最近提案された幾何散乱変換の緩和に基づく新しいグラフニューラルネットワーク(GNN)モジュールを提案する。
我々の学習可能な幾何散乱(LEGS)モジュールは、ウェーブレットの適応的なチューニングを可能にし、学習された表現に帯域通過の特徴が現れるように促す。
論文 参考訳(メタデータ) (2022-08-15T22:30:07Z) - EvenNet: Ignoring Odd-Hop Neighbors Improves Robustness of Graph Neural
Networks [51.42338058718487]
グラフニューラルネットワーク(GNN)は、グラフ機械学習における有望なパフォーマンスについて、広範な研究の注目を集めている。
GCNやGPRGNNのような既存のアプローチは、テストグラフ上のホモフィリな変化に直面しても堅牢ではない。
偶数多項式グラフフィルタに対応するスペクトルGNNであるEvenNetを提案する。
論文 参考訳(メタデータ) (2022-05-27T10:48:14Z) - Overcoming Oversmoothness in Graph Convolutional Networks via Hybrid
Scattering Networks [11.857894213975644]
本稿では,従来のGCNフィルタと幾何散乱変換を用いて定義された帯域通過フィルタを組み合わせたハイブリッドグラフニューラルネットワーク(GNN)フレームワークを提案する。
理論的には, グラフからの構造情報を活用するために散乱フィルタの相補的な利点が確立され, 実験では様々な学習課題における手法の利点が示された。
論文 参考訳(メタデータ) (2022-01-22T00:47:41Z) - Stability to Deformations of Manifold Filters and Manifold Neural Networks [89.53585099149973]
本論文は、多様体(M)畳み込みフィルタとニューラルネットワーク(NN)を定義し、研究する。
この論文の主な技術的貢献は、多様体の滑らかな変形に対する多様体フィルタとMNNの安定性を分析することである。
論文 参考訳(メタデータ) (2021-06-07T15:41:03Z) - Graph Neural Networks with Adaptive Frequency Response Filter [55.626174910206046]
適応周波数応答フィルタを用いたグラフニューラルネットワークフレームワークAdaGNNを開発した。
提案手法の有効性を,様々なベンチマークデータセット上で実証的に検証した。
論文 参考訳(メタデータ) (2021-04-26T19:31:21Z) - Framework for Designing Filters of Spectral Graph Convolutional Neural
Networks in the Context of Regularization Theory [1.0152838128195467]
グラフ畳み込みニューラルネットワーク(GCNN)はグラフ学習に広く利用されている。
グラフ上の滑らかさ関数はグラフラプラシアンの言葉で定義できる。
本稿では,グラフラプラシアンの正規化特性について検討し,スペクトルGCNNにおける正規化フィルタ設計のための一般化されたフレームワークを提案する。
論文 参考訳(メタデータ) (2020-09-29T06:19:08Z) - Graphs, Convolutions, and Neural Networks: From Graph Filters to Graph
Neural Networks [183.97265247061847]
我々はグラフ信号処理を活用してグラフニューラルネットワーク(GNN)の表現空間を特徴付ける。
GNNにおけるグラフ畳み込みフィルタの役割について議論し、そのようなフィルタで構築されたアーキテクチャは、置換同値の基本的な性質と位相変化に対する安定性を持つことを示す。
また,ロボット群に対するリコメンデータシステムや分散型コントローラの学習におけるGNNの利用について検討した。
論文 参考訳(メタデータ) (2020-03-08T13:02:15Z)
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。