論文の概要: Graph-Free Learning in Graph-Structured Data: A More Efficient and
Accurate Spatiotemporal Learning Perspective
- arxiv url: http://arxiv.org/abs/2301.11742v2
- Date: Mon, 30 Jan 2023 01:34:09 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-31 20:18:43.481741
- Title: Graph-Free Learning in Graph-Structured Data: A More Efficient and
Accurate Spatiotemporal Learning Perspective
- Title（参考訳）: グラフ構造化データのグラフ自由学習:より効率的で正確な時空間学習の視点
- Authors: Xu Wang, Pengfei Gu, Pengkun Wang, Binwu Wang, Zhengyang Zhou, Lei
Bai, Yang Wang
- Abstract要約: 本稿では,グラフ時間学習における空間相関を捉えるための正規化のためのグラフ自由学習モジュールを提案する。
厳密な理論的な証明は、時間複雑性が提案されたグラフ畳み込み演算よりもはるかに優れていることを証明している。
- 参考スコア（独自算出の注目度）: 11.301939428860404
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Spatiotemporal learning, which aims at extracting spatiotemporal correlations
from the collected spatiotemporal data, is a research hotspot in recent years.
And considering the inherent graph structure of spatiotemporal data, recent
works focus on capturing spatial dependencies by utilizing Graph Convolutional
Networks (GCNs) to aggregate vertex features with the guidance of adjacency
matrices. In this paper, with extensive and deep-going experiments, we
comprehensively analyze existing spatiotemporal graph learning models and
reveal that extracting adjacency matrices with carefully design strategies,
which are viewed as the key of enhancing performance on graph learning, are
largely ineffective. Meanwhile, based on these experiments, we also discover
that the aggregation itself is more important than the way that how vertices
are aggregated. With these preliminary, a novel efficient Graph-Free Spatial
(GFS) learning module based on layer normalization for capturing spatial
correlations in spatiotemporal graph learning. The proposed GFS module can be
easily plugged into existing models for replacing all graph convolution
components. Rigorous theoretical proof demonstrates that the time complexity of
GFS is significantly better than that of graph convolution operation. Extensive
experiments verify the superiority of GFS in both the perspectives of
efficiency and learning effect in processing graph-structured data especially
extreme large scale graph data.
- Abstract（参考訳）: 収集した時空間データから時空間相関を抽出する時空間学習は近年研究のホットスポットとなっている。
また、時空間データに固有のグラフ構造を考えると、近年の研究は、グラフ畳み込みネットワーク(GCN)を用いて、隣接行列のガイダンスで頂点特徴を集約することで空間依存を捉えることに重点を置いている。
本稿では,広範かつ深層的な実験により,既存の時空間グラフ学習モデルを包括的に分析し,グラフ学習の性能向上の鍵と考えられる設計戦略による隣接行列の抽出がほとんど効果がないことを示す。
一方,これらの実験結果から,頂点の集約方法よりも集約自体が重要であることも判明した。
これらの予備的手法により、時空間グラフ学習における空間相関を捉えるための階層正規化に基づく新しいグラフ自由空間学習モジュールが開発された。
提案したGFSモジュールは、すべてのグラフ畳み込みコンポーネントを置き換えるために、既存のモデルに簡単にプラグインできる。
厳密な理論的証明は、gfsの時間複雑性がグラフ畳み込み演算よりも著しく優れていることを示している。
グラフ構造化データ,特に大規模グラフデータの処理において,効率と学習効果の両面からGFSの優位性を検証した。
関連論文リスト
- Learning From Graph-Structured Data: Addressing Design Issues and Exploring Practical Applications in Graph Representation Learning [2.492884361833709]
グラフ表現学習とグラフニューラルネットワーク(GNN)の最近の進歩を概観する。
グラフ構造化データを扱うように設計されたGNNは、複雑な関係情報から洞察と予測を引き出すのに長けている。
我々の研究は、GNNの能力を掘り下げ、その基礎設計と現実の課題に対処するための応用について調べている。
論文 参考訳（メタデータ） (2024-11-09T19:10:33Z) - Amplify Graph Learning for Recommendation via Sparsity Completion [16.32861024767423]
グラフ学習モデルは、協調フィルタリング(CF)ベースのレコメンデーションシステムに広くデプロイされている。
データ疎度の問題により、元の入力のグラフ構造は潜在的な肯定的な嗜好エッジを欠いている。
AGL-SC(Amplify Graph Learning framework)を提案する。
論文 参考訳（メタデータ） (2024-06-27T08:26:20Z) - Time-aware Graph Structure Learning via Sequence Prediction on Temporal
Graphs [10.034072706245544]
時系列グラフのシーケンス予測による時間認識型グラフ構造学習(TGSL)手法を提案する。
特に、タイムアウェアなコンテキスト埋め込みを予測し、Gumble-Top-Kを使用して、このコンテキスト埋め込みに最も近い候補エッジを選択する。
時間リンク予測ベンチマークの実験は、TGSLがTGATやGraphMixerのような一般的なTGNに対して大きな利益をもたらすことを示した。
論文 参考訳（メタデータ） (2023-06-13T11:34:36Z) - Deep Temporal Graph Clustering [77.02070768950145]
深部時間グラフクラスタリング(GC)のための汎用フレームワークを提案する。
GCは、時間グラフの相互作用シーケンスに基づくバッチ処理パターンに適合するディープクラスタリング技術を導入している。
我々のフレームワークは、既存の時間グラフ学習手法の性能を効果的に向上させることができる。
論文 参考訳（メタデータ） (2023-05-18T06:17:50Z) - A Comprehensive Survey on Graph Summarization with Graph Neural Networks [21.337505372979066]
過去には、グラフの最も重要な部分を統計的に捉えるために、ほとんどのグラフ要約技術が試みられていた。
今日では、現代のグラフデータの高次元性と複雑さにより、ディープラーニング技術がより普及している。
我々の調査は、GNN、畳み込みGNN、グラフオートエンコーダ、グラフアテンションネットワークなど、現在の最先端アプローチのレビューを含む。
論文 参考訳（メタデータ） (2023-02-13T05:43:24Z) - Data Augmentation for Deep Graph Learning: A Survey [66.04015540536027]
まず,グラフデータ拡張のための分類法を提案し,その拡張情報モダリティに基づいて関連研究を分類し,構造化されたレビューを提供する。
DGLにおける2つの課題(すなわち、最適グラフ学習と低リソースグラフ学習)に焦点を当て、グラフデータ拡張に基づく既存の学習パラダイムについて議論し、レビューする。
論文 参考訳（メタデータ） (2022-02-16T18:30:33Z) - Learning Sparse and Continuous Graph Structures for Multivariate Time
Series Forecasting [5.359968374560132]
Learning Sparse and Continuous Graphs for Forecasting (LSCGF)は、グラフ学習と予測に結合する新しいディープラーニングモデルである。
本稿では,スムーズ・スパース・ユニット (SSU) という新しい手法を提案する。
我々のモデルは、訓練可能な小さなパラメータで最先端のパフォーマンスを達成する。
論文 参考訳（メタデータ） (2022-01-24T13:35:37Z) - Towards Unsupervised Deep Graph Structure Learning [67.58720734177325]
本稿では,学習したグラフトポロジを外部ガイダンスなしでデータ自身で最適化する,教師なしグラフ構造学習パラダイムを提案する。
具体的には、元のデータから"アンカーグラフ"として学習目標を生成し、対照的な損失を用いてアンカーグラフと学習グラフとの一致を最大化する。
論文 参考訳（メタデータ） (2022-01-17T11:57:29Z) - Effective and Efficient Graph Learning for Multi-view Clustering [173.8313827799077]
マルチビュークラスタリングのための効率的かつ効率的なグラフ学習モデルを提案する。
本手法はテンソルシャッテンp-ノルムの最小化により異なるビューのグラフ間のビュー類似性を利用する。
提案アルゴリズムは時間経済であり,安定した結果を得るとともに,データサイズによく対応している。
論文 参考訳（メタデータ） (2021-08-15T13:14:28Z) - Robust Optimization as Data Augmentation for Large-scale Graphs [117.2376815614148]
学習中に勾配に基づく逆方向摂動を伴うノード特徴を反復的に拡張するFLAG(Free Large-scale Adversarial Augmentation on Graphs)を提案する。
FLAGはグラフデータに対する汎用的なアプローチであり、ノード分類、リンク予測、グラフ分類タスクで普遍的に機能する。
論文 参考訳（メタデータ） (2020-10-19T21:51:47Z) - Iterative Deep Graph Learning for Graph Neural Networks: Better and
Robust Node Embeddings [53.58077686470096]
グラフ構造とグラフ埋め込みを協調的かつ反復的に学習するための、エンドツーエンドのグラフ学習フレームワーク、すなわち、IDGL(Iterative Deep Graph Learning)を提案する。
実験の結果,提案したIDGLモデルは,最先端のベースラインを一貫して上回る,あるいは一致させることができることがわかった。
論文 参考訳（メタデータ） (2020-06-21T19:49:15Z)
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。