論文の概要: A Survey on Graph Neural Networks for Graph Summarization
- arxiv url: http://arxiv.org/abs/2302.06114v1
- Date: Mon, 13 Feb 2023 05:43:24 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-14 16:34:31.709892
- Title: A Survey on Graph Neural Networks for Graph Summarization
- Title（参考訳）: グラフ要約のためのグラフニューラルネットワークに関する調査
- Authors: Nasrin Shabani, Jia Wu, Amin Beheshti, Jin Foo, Ambreen Hanif, Maryam
Shahabikargar
- Abstract要約: グラフ要約のためのグラフ上でのディープラーニングの最新の進歩について概説する。
論文は,グラフ再帰ネットワーク,グラフ畳み込みネットワーク,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の4つのカテゴリに分類される。
また,グラフ強化学習を用いて,グラフ要約の質を評価・改善する新たな研究ラインについても論じる。
- 参考スコア（独自算出の注目度）: 6.32881382809402
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: As large-scale graphs become more widespread today, it exposes computational
challenges to extract, process, and interpret large graph data. It is therefore
natural to search for ways to summarize the original graph while maintaining
its key characteristics. In this survey, we outline the most current progress
of deep learning on graphs for graph summarization explicitly concentrating on
Graph Neural Networks (GNNs) methods. We structure the paper into four
categories, including graph recurrent networks, graph convolutional networks,
graph autoencoders, and graph attention networks. We also discuss a new booming
line of research which is elaborating on using graph reinforcement learning for
evaluating and improving the quality of graph summaries. Finally, we conclude
this survey and discuss a number of open research challenges that would
motivate further study in this area.
- Abstract（参考訳）: 大規模グラフが普及するにつれ、大規模なグラフデータを抽出、処理、解釈する計算上の課題が顕在化する。
したがって、その重要な特性を維持しながら元のグラフを要約する方法を探すことは自然である。
本稿では,グラフニューラルネットワーク (GNN) の手法に着目したグラフ要約のためのグラフの深層学習の最新の進歩について概説する。
論文は,グラフ再帰ネットワーク,グラフ畳み込みネットワーク,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の4つのカテゴリに分類される。
また,グラフ強化学習を用いて,グラフ要約の質を評価・改善する新たな研究ラインについても論じる。
最後に、この調査を締めくくり、この分野のさらなる研究の動機となる多くのオープンな研究課題について論じる。
関連論文リスト
- A Survey of Data-Efficient Graph Learning [16.053913182723143]
研究フロンティアとして,データ効率グラフ学習(DEGL)の新たな概念を紹介した。
我々は、自己教師付きグラフ学習、半教師付きグラフ学習、少数ショットグラフ学習など、いくつかの重要な側面に関する最近の進歩を体系的にレビューした。
論文 参考訳（メタデータ） (2024-02-01T09:28:48Z) - A Comprehensive Survey on Graph Reduction: Sparsification, Coarsening, and Condensation [21.76051896779245]
本研究の目的は,グラフスペーシング,グラフ粗化,グラフ凝縮など,グラフ縮小手法の包括的理解を提供することである。
そこで本研究では,これらの手法の技術的詳細を体系的にレビューし,様々なシナリオにまたがる実践的応用を強調した。
論文 参考訳（メタデータ） (2024-01-29T01:19:09Z) - 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) - An Empirical Study of Retrieval-enhanced Graph Neural Networks [48.99347386689936]
グラフニューラルネットワーク(GNN)は、グラフ表現学習に有効なツールである。
本稿では,グラフニューラルネットワークモデルの選択に非依存な GraphRETRIEVAL という検索強化方式を提案する。
我々は13のデータセットに対して包括的な実験を行い、GRAPHRETRIEVALが既存のGNNよりも大幅に改善されていることを観察した。
論文 参考訳（メタデータ） (2022-06-01T09:59:09Z) - Graph Pooling for Graph Neural Networks: Progress, Challenges, and
Opportunities [128.55790219377315]
グラフニューラルネットワークは多くのグラフレベルのタスクの主要なアーキテクチャとして登場した。
グラフプーリングは、グラフ全体の全体的グラフレベル表現を得るためには不可欠である。
論文 参考訳（メタデータ） (2022-04-15T04:02:06Z) - 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) - 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) - Deep Learning for Learning Graph Representations [58.649784596090385]
グラフデータのマイニングはコンピュータ科学においてポピュラーな研究トピックとなっている。
ネットワークデータの膨大な量は、効率的な分析に大きな課題をもたらしている。
これはグラフ表現の出現を動機付け、グラフを低次元ベクトル空間にマッピングする。
論文 参考訳（メタデータ） (2020-01-02T02:13:28Z)
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。