論文の概要: A Graph Neural Network with Negative Message Passing for Graph Coloring

• arxiv url: http://arxiv.org/abs/2301.11164v1
• Date: Thu, 26 Jan 2023 15:08:42 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-27 13:26:07.896757
• Title: A Graph Neural Network with Negative Message Passing for Graph Coloring
• Title（参考訳）: グラフカラー化のための負のメッセージパス付きグラフニューラルネットワーク
• Authors: Xiangyu Wang, Xueming Yan, Yaochu Jin
• Abstract要約: 本稿では,グラフカラー化のためのグラフネットワークモデルを提案する。 我々は,より効果的な情報交換を行うために,提案したグラフニューラルネットワークに負のメッセージパッシングを導入する。 ノードの自己情報を考慮した新たな損失関数が提案され,学習プロセスが促進される。
• 参考スコア（独自算出の注目度）: 12.501032566933178
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graph neural networks have received increased attention over the past years due to their promising ability to handle graph-structured data, which can be found in many real-world problems such as recommended systems and drug synthesis. Most existing research focuses on using graph neural networks to solve homophilous problems, but little attention has been paid to heterophily-type problems. In this paper, we propose a graph network model for graph coloring, which is a class of representative heterophilous problems. Different from the conventional graph networks, we introduce negative message passing into the proposed graph neural network for more effective information exchange in handling graph coloring problems. Moreover, a new loss function taking into account the self-information of the nodes is suggested to accelerate the learning process. Experimental studies are carried out to compare the proposed graph model with five state-of-the-art algorithms on ten publicly available graph coloring problems and one real-world application. Numerical results demonstrate the effectiveness of the proposed graph neural network.
• Abstract（参考訳）: グラフニューラルネットワークは、推奨システムや薬物合成といった現実世界の多くの問題で見られるグラフ構造化データを扱う有望な能力のために、ここ数年で注目を集めている。 既存の研究は、グラフニューラルネットワークによるホモフィルス問題の解決に重点を置いているが、ヘテロフィル型問題にはほとんど注目されていない。 本稿では,グラフカラー化のためのグラフネットワークモデルを提案する。 従来のグラフネットワークとは違って,提案するグラフニューラルネットワークに負のメッセージパスを導入することで,グラフカラー化問題に対するより効果的な情報交換を実現する。 さらに,ノードの自己情報を考慮した新たな損失関数を提案し,学習プロセスを加速させる。 提案したグラフモデルと最先端の5つのアルゴリズムを10のグラフカラー問題と1つの実世界のアプリケーションで比較する実験を行った。 計算結果は,提案したグラフニューラルネットワークの有効性を示す。

関連論文リスト

• Graph Residual Noise Learner Network for Brain Connectivity Graph Prediction [1.9116784879310031]
  接続指紋を描写した形態的脳グラフは、脳の非結合性のパターンを表わす上で最重要である。 本稿では,対象グラフをソースグラフから予測する最初のグラフ拡散モデルであるグラフ残留雑音学習ネットワーク(Grenol-Net)を提案する。
  論文  参考訳（メタデータ） (2024-09-30T17:28:38Z)
• A Topology-aware Graph Coarsening Framework for Continual Graph Learning [8.136809136959302]
  グラフに関する継続的な学習は、グラフデータがストリーミング形式で到着するグラフニューラルネットワーク(GNN)のトレーニングに対処する。 Experience Replayのような従来の継続的学習戦略は、ストリーミンググラフに適応することができる。 本稿では, TA$mathbbCO$, a (t)opology-(a)ware graph (co)arsening and (co)ntinual learning frameworkを提案する。
  論文  参考訳（メタデータ） (2024-01-05T22:22:13Z)
• 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)
• State of the Art and Potentialities of Graph-level Learning [54.68482109186052]
  グラフレベルの学習は、比較、回帰、分類など、多くのタスクに適用されている。 グラフの集合を学習する伝統的なアプローチは、サブストラクチャのような手作りの特徴に依存している。 ディープラーニングは、機能を自動的に抽出し、グラフを低次元表現に符号化することで、グラフレベルの学習をグラフの規模に適応させるのに役立っている。
  論文  参考訳（メタデータ） (2023-01-14T09:15:49Z)
• Contrastive Brain Network Learning via Hierarchical Signed Graph Pooling Model [64.29487107585665]
  脳機能ネットワーク上のグラフ表現学習技術は、臨床表現型および神経変性疾患のための新しいバイオマーカーの発見を容易にする。 本稿では,脳機能ネットワークからグラフレベル表現を抽出する階層型グラフ表現学習モデルを提案する。 また、モデルの性能をさらに向上させるために、機能的脳ネットワークデータをコントラスト学習のために拡張する新たな戦略を提案する。
  論文  参考訳（メタデータ） (2022-07-14T20:03:52Z)
• Learning Graph Structure from Convolutional Mixtures [119.45320143101381]
  本稿では、観測されたグラフと潜伏グラフのグラフ畳み込み関係を提案し、グラフ学習タスクをネットワーク逆(デコンボリューション)問題として定式化する。 固有分解に基づくスペクトル法の代わりに、近似勾配反復をアンロール・トランケートして、グラフデコンボリューションネットワーク(GDN)と呼ばれるパラメータ化ニューラルネットワークアーキテクチャに到達させる。 GDNは、教師付き方式でグラフの分布を学習し、損失関数を適応させることでリンク予測やエッジウェイト回帰タスクを実行し、本質的に帰納的である。
  論文  参考訳（メタデータ） (2022-05-19T14:08:15Z)
• Learning Graph Representations [0.0]
  グラフニューラルネットワーク(GNN)は、大きな動的グラフデータセットに対する洞察を得るための効率的な方法である。 本稿では,グラフ畳み込みニューラルネットワークのオートエンコーダとソーシャル・テンポラル・グラフ・ニューラルネットワークについて論じる。
  論文  参考訳（メタデータ） (2021-02-03T12:07:55Z)
• Line Graph Neural Networks for Link Prediction [71.00689542259052]
  実世界の多くのアプリケーションにおいて古典的なグラフ解析問題であるグラフリンク予測タスクについて検討する。 このフォーマリズムでは、リンク予測問題をグラフ分類タスクに変換する。 本稿では,線グラフをグラフ理論に用いて,根本的に異なる新しい経路を求めることを提案する。 特に、線グラフの各ノードは、元のグラフのユニークなエッジに対応するため、元のグラフのリンク予測問題は、グラフ分類タスクではなく、対応する線グラフのノード分類問題として等価に解決できる。
  論文  参考訳（メタデータ） (2020-10-20T05:54:31Z)
• Towards Deeper Graph Neural Networks [63.46470695525957]
  グラフ畳み込みは近傍の集約を行い、最も重要なグラフ操作の1つである。 いくつかの最近の研究で、この性能劣化は過度に滑らかな問題に起因している。 本研究では,大きな受容領域からの情報を適応的に組み込むディープ適応グラフニューラルネットワーク(DAGNN)を提案する。
  論文  参考訳（メタデータ） (2020-07-18T01:11:14Z)
• Get Rid of Suspended Animation Problem: Deep Diffusive Neural Network on Graph Semi-Supervised Classification [10.879701971582502]
  本稿では,グラフ表現学習とノード分類のための新しいグラフニューラルネットワーク,すなわちDIFNETを提案する。 この論文では、DIFNETをいくつかの最先端グラフニューラルネットワークモデルと比較する大規模な実験を行う。
  論文  参考訳（メタデータ） (2020-01-22T09:19:12Z)

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。