論文の概要: GIPA++: A General Information Propagation Algorithm for Graph Learning
- arxiv url: http://arxiv.org/abs/2301.08209v1
- Date: Thu, 19 Jan 2023 18:00:51 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-20 14:23:25.536367
- Title: GIPA++: A General Information Propagation Algorithm for Graph Learning
- Title（参考訳）: GIPA++:グラフ学習のための汎用情報伝搬アルゴリズム
- Authors: Houyi Li, Zhihong Chen, Zhao Li, Qinkai Zheng, Peng Zhang, Shuigeng
Zhou
- Abstract要約: 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計算に広く利用されている。
よりきめ細かい情報融合を利用する汎用情報伝搬アルゴリズム(GIPA)を提案する。
GIPAは、その伝播におけるエッジ特徴に基づくビットワイドと特徴ワイドの相関を利用する。
- 参考スコア（独自算出の注目度）: 34.0393139910052
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Graph neural networks (GNNs) have been widely used in graph-structured data
computation, showing promising performance in various applications such as node
classification, link prediction, and network recommendation. Existing works
mainly focus on node-wise correlation when doing weighted aggregation of
neighboring nodes based on attention, such as dot product by the dense vectors
of two nodes. This may cause conflicting noise in nodes to be propagated when
doing information propagation. To solve this problem, we propose a General
Information Propagation Algorithm (GIPA in short), which exploits more
fine-grained information fusion including bit-wise and feature-wise
correlations based on edge features in their propagation. Specifically, the
bit-wise correlation calculates the element-wise attention weight through a
multi-layer perceptron (MLP) based on the dense representations of two nodes
and their edge; The feature-wise correlation is based on the one-hot
representations of node attribute features for feature selection. We evaluate
the performance of GIPA on the Open Graph Benchmark proteins (OGBN-proteins for
short) dataset and the Alipay dataset of Alibaba. Experimental results reveal
that GIPA outperforms the state-of-the-art models in terms of prediction
accuracy, e.g., GIPA achieves an average ROC-AUC of $0.8901\pm 0.0011$, which
is better than that of all the existing methods listed in the OGBN-proteins
leaderboard.
- Abstract（参考訳）: グラフニューラルネットワーク(GNN)は,ノード分類やリンク予測,ネットワークレコメンデーションなど,さまざまなアプリケーションにおいて有望なパフォーマンスを示すグラフ構造化データ計算に広く使用されている。
既存の研究は主に、2つのノードの密度ベクトルによるドット積などの注意に基づく近隣ノードの重み付け集約を行う際のノードワイズ相関に焦点を当てている。
これにより、情報伝達を行う際にノード内の競合するノイズが伝播する可能性がある。
そこで本研究では,情報伝達のエッジ特性に基づいて,ビット方向と特徴方向の相関を含むよりきめ細かい情報融合を行う汎用情報伝達アルゴリズム(gipa)を提案する。
具体的には、2つのノードとそのエッジの密接な表現に基づいて、多層パーセプトロン(MLP)を介して要素単位の注意重みを算出する。
我々は,Open Graph Benchmark protein(OGBN-oproteins for short)データセットとAlibabaのAlipayデータセットにおけるGIPAの性能を評価する。
実験の結果、GIPAは予測精度において最先端モデルよりも優れており、例えば、GIPAは平均ROC-AUCが0.8901\pm 0.0011$である。
関連論文リスト
- Cluster-based Graph Collaborative Filtering [55.929052969825825]
グラフ畳み込みネットワーク(GCN)は、レコメンデーションシステムのためのユーザおよびアイテム表現の学習に成功している。
既存のGCNベースのほとんどのメソッドは、高階グラフ畳み込みを実行しながら、ユーザの複数の関心事を見落としている。
クラスタベースグラフ協調フィルタリング(ClusterGCF)と呼ばれる新しいGCNベースのレコメンデーションモデルを提案する。
論文 参考訳（メタデータ） (2024-04-16T07:05:16Z) - Distributed Learning over Networks with Graph-Attention-Based
Personalization [49.90052709285814]
分散ディープラーニングのためのグラフベースパーソナライズアルゴリズム(GATTA)を提案する。
特に、各エージェントのパーソナライズされたモデルは、グローバルな部分とノード固有の部分で構成される。
グラフ内の各エージェントを1つのノードとして扱うことにより、ノード固有のパラメータを特徴として扱うことにより、グラフアテンション機構の利点を継承することができる。
論文 参考訳（メタデータ） (2023-05-22T13:48:30Z) - Graph Ordering Attention Networks [22.468776559433614]
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に関わる多くの問題でうまく使われている。
近隣ノード間のインタラクションをキャプチャする新しいGNNコンポーネントであるグラフ順序付け注意層(GOAT)を導入する。
GOATレイヤは、複雑な情報をキャプチャするグラフメトリクスのモデリングにおけるパフォーマンスの向上を示す。
論文 参考訳（メタデータ） (2022-04-11T18:13:19Z) - Exploiting Neighbor Effect: Conv-Agnostic GNNs Framework for Graphs with
Heterophily [58.76759997223951]
我々はフォン・ノイマンエントロピーに基づく新しい計量を提案し、GNNのヘテロフィリー問題を再検討する。
また、異種データセット上でのほとんどのGNNの性能を高めるために、Conv-Agnostic GNNフレームワーク(CAGNN)を提案する。
論文 参考訳（メタデータ） (2022-03-19T14:26:43Z) - Graph Neural Networks with Feature and Structure Aware Random Walk [7.143879014059894]
典型的な好適なグラフでは、エッジを指向する可能性があり、エッジをそのまま扱うか、あるいは単純に非指向にするかは、GNNモデルの性能に大きな影響を与える。
そこで我々は,グラフの方向性を適応的に学習するモデルを開発し,ノード間の長距離相関を生かした。
論文 参考訳（メタデータ） (2021-11-19T08:54:21Z) - 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) - On Local Aggregation in Heterophilic Graphs [11.100606980915144]
我々は,従来のGNNと多層パーセプトロンを適切に調整した手法が,ヘテロ親和性グラフ上の最近の長距離アグリゲーション手法の精度に適合しているか,あるいは超越しているかを示す。
本稿では,新しい情報理論グラフ計量であるNativeborhood Information Content(NIC)メトリックを提案する。
論文 参考訳（メタデータ） (2021-06-06T19:12:31Z) - GIPA: General Information Propagation Algorithm for Graph Learning [3.228614352581043]
属性付きグラフデータ学習のための新しいグラフ注目ニューラルネットワーク、すなわちGIPAを紹介します。
GIPAは3つの重要なコンポーネントで構成されている。
Open Graph Benchmark protein データセットを用いてGIPAの性能を評価する。
論文 参考訳（メタデータ） (2021-05-13T01:50:43Z) - Unifying Graph Convolutional Neural Networks and Label Propagation [73.82013612939507]
LPAとGCNの関係を特徴・ラベルの平滑化と特徴・ラベルの影響の2点の観点から検討した。
理論解析に基づいて,ノード分類のためのGCNとLCAを統一するエンドツーエンドモデルを提案する。
我々のモデルは、既存の特徴に基づく注目モデルよりもタスク指向のノードラベルに基づく学習注意重みと見なすこともできる。
論文 参考訳（メタデータ） (2020-02-17T03:23:13Z) - Bilinear Graph Neural Network with Neighbor Interactions [106.80781016591577]
グラフニューラルネットワーク(GNN)は,グラフデータ上で表現を学習し,予測を行う強力なモデルである。
本稿では,グラフ畳み込み演算子を提案し,隣接するノードの表現の対の相互作用で重み付け和を増大させる。
このフレームワークをBGNN(Bilinear Graph Neural Network)と呼び、隣ノード間の双方向相互作用によるGNN表現能力を向上させる。
論文 参考訳（メタデータ） (2020-02-10T06:43:38Z)
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。