Fugu-MT 論文翻訳(概要): Curvature Filtrations for Graph Generative Model Evaluation

論文の概要: Curvature Filtrations for Graph Generative Model Evaluation

arxiv url: http://arxiv.org/abs/2301.12906v1
Date: Mon, 30 Jan 2023 14:10:30 GMT
ステータス: 処理完了
システム内更新日: 2023-01-31 14:33:19.779713
Title: Curvature Filtrations for Graph Generative Model Evaluation
Title（参考訳）: グラフ生成モデル評価のための曲率濾過
Authors: Joshua Southern, Jeremy Wayland, Michael Bronstein, Bastian Rieck
Abstract要約: 曲線はグラフのそのような性質の一つを構成しており、最近はグラフの特徴付けに有用であることが証明され始めている。我々は,グラフ曲率記述子とトポロジカルデータ解析の最先端手法を組み合わせて,グラフ生成モデルを評価するための頑健で表現力豊かな記述子を得る。
参考スコア（独自算出の注目度）: 7.857209033280138
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Graph generative model evaluation necessitates understanding differences between graphs on the distributional level. This entails being able to harness salient attributes of graphs in an efficient manner. Curvature constitutes one such property of graphs, and has recently started to prove useful in characterising graphs. Its expressive properties, stability, and practical utility in model evaluation remain largely unexplored, however. We combine graph curvature descriptors with cutting-edge methods from topological data analysis to obtain robust, expressive descriptors for evaluating graph generative models.
Abstract（参考訳）: グラフ生成モデル評価は、分布レベルでのグラフ間の理解の違いを必要とする。これにより、グラフのサルエント属性を効率的に活用できるようになる。曲線はグラフのそのような性質の1つを構成しており、最近グラフの特徴付けに有用であることが証明され始めている。しかし、モデル評価における表現的性質、安定性、実用性はほとんど未解明のままである。グラフ生成モデルを評価するためのロバストで表現力に富む記述子を得るため,グラフ曲率記述子を位相データ解析から最先端法と組み合わせる。

関連論文リスト

TopER: Topological Embeddings in Graph Representation Learning [8.052380377159398]
トポロジカル進化速度 (TopER) は、トポロジカルデータ解析に基づく低次元埋め込み手法である。 TopERはグラフ部分構造の進化率を計算することによって、重要な位相的アプローチである永続化ホモロジーを単純化する。我々のモデルは、分類、クラスタリング、可視化といったタスクにおいて、分子、生物学的、ソーシャルネットワークのデータセットにまたがる最先端の結果を達成したり、超えたりします。
論文参考訳（メタデータ） (2024-10-02T17:31:33Z)
GraphRCG: Self-Conditioned Graph Generation [78.69810678803248]
本稿では,グラフ分布を明示的にモデル化する自己条件付きグラフ生成フレームワークを提案する。本フレームワークは, 既存のグラフ生成手法に比べて, 学習データに対するグラフ品質と忠実度において優れた性能を示す。
論文参考訳（メタデータ） (2024-03-02T02:28:20Z)
GraphMaker: Can Diffusion Models Generate Large Attributed Graphs? [7.330479039715941]
ノード属性を持つ大規模グラフは、様々な現実世界のアプリケーションでますます一般的になっている。従来のグラフ生成法は、これらの複雑な構造を扱う能力に制限がある。本稿では,大きな属性グラフを生成するために特別に設計された新しい拡散モデルであるGraphMakerを紹介する。
論文参考訳（メタデータ） (2023-10-20T22:12:46Z)
An Accurate Graph Generative Model with Tunable Features [0.8192907805418583]
本稿では,グラフ特徴の誤りを返送する機構を新たに追加することで,GraphTuneの精度を向上させる手法を提案する。実世界のグラフデータセットを用いて実験したところ、生成されたグラフの特徴は従来のモデルと比較して正確に調整されていることがわかった。
論文参考訳（メタデータ） (2023-09-03T12:34:15Z)
Bures-Wasserstein Means of Graphs [60.42414991820453]
本研究では,スムーズなグラフ信号分布の空間への埋め込みを通じて,グラフ平均を定義する新しいフレームワークを提案する。この埋め込み空間において平均を求めることにより、構造情報を保存する平均グラフを復元することができる。我々は,新しいグラフの意味の存在と特異性を確立し,それを計算するための反復アルゴリズムを提供する。
論文参考訳（メタデータ） (2023-05-31T11:04:53Z)
Heterogeneous Graph Neural Networks using Self-supervised Reciprocally Contrastive Learning [102.9138736545956]
不均一グラフニューラルネットワーク(HGNN)は異種グラフのモデリングと解析において非常に一般的な手法である。我々は,ノード属性とグラフトポロジの各ガイダンスに関する2つの視点を取り入れた,新規で頑健なヘテロジニアスグラフコントラスト学習手法であるHGCLを初めて開発する。この新しいアプローチでは,属性とトポロジに関連情報を別々にマイニングする手法として,異なるが最も適した属性とトポロジの融合機構を2つの視点に適用する。
論文参考訳（メタデータ） (2022-04-30T12:57:02Z)
GraphDCA -- a Framework for Node Distribution Comparison in Real and Synthetic Graphs [72.51835626235368]
2つのグラフを比較するとき、ノード構造的特徴の分布は、グローバルグラフ統計よりも有益である、と我々は主張する。本稿では,各ノード表現セットのアライメントに基づいてグラフ間の類似性を評価するフレームワークGraphDCAを提案する。
論文参考訳（メタデータ） (2022-02-08T14:19:19Z)
GraphSVX: Shapley Value Explanations for Graph Neural Networks [81.83769974301995]
グラフニューラルネットワーク(GNN)は、幾何データに基づく様々な学習タスクにおいて大きな性能を発揮する。本稿では,既存のGNN解説者の多くが満足する統一フレームワークを提案する。 GNN用に特別に設計されたポストホックローカルモデル非依存説明法であるGraphSVXを紹介します。
論文参考訳（メタデータ） (2021-04-18T10:40:37Z)
A Tunable Model for Graph Generation Using LSTM and Conditional VAE [1.399948157377307]
データからグラフの構造的特徴を学習しながら、特定の特徴をチューニングできる生成モデルを提案する。モデルによって生成される様々な特徴を持つグラフのデータセットを用いて、我々のモデルが特定の特徴を持つグラフを生成できることを確認する。
論文参考訳（メタデータ） (2021-04-15T06:47:14Z)
Certified Robustness of Graph Classification against Topology Attack with Randomized Smoothing [22.16111584447466]
グラフベースの機械学習モデルは、非i.dなグラフデータの性質のため、敵対的な摂動に弱い。堅牢性を保証するスムーズなグラフ分類モデルを構築した。グラフ畳み込みネットワーク(GCN)に基づくマルチクラスグラフ分類モデルにおいて,提案手法の有効性を評価する。
論文参考訳（メタデータ） (2020-09-12T22:18:54Z)
Graph Pooling with Node Proximity for Hierarchical Representation Learning [80.62181998314547]
本稿では,ノード近接を利用したグラフプーリング手法を提案し,そのマルチホップトポロジを用いたグラフデータの階層的表現学習を改善する。その結果,提案したグラフプーリング戦略は,公開グラフ分類ベンチマークデータセットの集合において,最先端のパフォーマンスを達成できることが示唆された。
論文参考訳（メタデータ） (2020-06-19T13:09:44Z)

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。