論文の概要: Node-oriented Spectral Filtering for Graph Neural Networks
- arxiv url: http://arxiv.org/abs/2212.03654v3
- Date: Thu, 26 Oct 2023 04:01:34 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-28 06:03:31.385948
- Title: Node-oriented Spectral Filtering for Graph Neural Networks
- Title(参考訳): グラフニューラルネットワークのためのノード指向スペクトルフィルタリング
- Authors: Shuai Zheng, Zhenfeng Zhu, Zhizhe Liu, Youru Li, and Yao Zhao
- 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。
一般に、グローバルな視点からグラフ上の普遍的なスペクトルフィルタを学習することは、局所的なパターンの変化に適応する上で非常に困難である。
グラフニューラルネットワーク(NFGNN)のためのノード指向スペクトルフィルタリングを提案する。
- 参考スコア(独自算出の注目度): 38.0315325181726
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- 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 general, since
real-world graphs are often complex mixtures of diverse subgraph patterns,
learning a universal spectral filter on the graph from the global perspective
as in most current works may still suffer from great difficulty in adapting to
the variation of local patterns. On the basis of the theoretical analysis of
local patterns, we rethink the existing spectral filtering methods and propose
the node-oriented spectral filtering for graph neural network (namely NFGNN).
By estimating the node-oriented spectral filter for each node, NFGNN is
provided with the capability of precise local node positioning via the
generalized translated operator, thus discriminating the variations of local
homophily patterns adaptively. Meanwhile, the utilization of
re-parameterization brings a good trade-off between global consistency and
local sensibility for learning the node-oriented spectral filters. Furthermore,
we theoretically analyze the localization property of NFGNN, demonstrating that
the signal after adaptive filtering is still positioned around the
corresponding node. Extensive experimental results demonstrate that the
proposed NFGNN achieves more favorable performance.
- 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。
一般に、実世界のグラフは多彩なサブグラフパターンの複雑な混合であるため、グローバルな視点からグラフ上の普遍的なスペクトルフィルタを学習することは、現在のほとんどの研究において、局所的なパターンの変化に適応する上で大きな困難を被る可能性がある。
局所パターンの理論的解析に基づいて,既存のスペクトルフィルタリング法を再考し,グラフニューラルネットワーク(nfgnn)のノード指向スペクトルフィルタリングを提案する。
各ノードのノード指向のスペクトルフィルタを推定することにより、nfgnnは一般化された変換演算子を介して正確な局所ノード位置決め機能を備えることにより、局所ホモフィリパターンのバリエーションを適応的に判別する。
一方、再パラメータ化の利用は、ノード指向スペクトルフィルタを学習するための大域的一貫性と局所感度のトレードオフをもたらす。
さらに,NFGNNの局所化特性を理論的に解析し,適応フィルタリング後の信号が対応するノードの周囲に留まっていることを示す。
実験の結果,提案したNFGNNの方が良好な性能を示した。
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 [97.81148499653452]
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。