論文の概要: On the Expressivity of Persistent Homology in Graph Learning
- arxiv url: http://arxiv.org/abs/2302.09826v1
- Date: Mon, 20 Feb 2023 08:19:19 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-21 16:20:17.445952
- Title: On the Expressivity of Persistent Homology in Graph Learning
- Title(参考訳): グラフ学習における永続ホモロジーの表現性について
- Authors: Bastian Rieck
- Abstract要約: 計算トポロジのテクニックである永続化ホモロジーは、最近、グラフ分類の文脈において、強い経験的性能を示した。
本稿では、グラフの文脈における永続的ホモロジーの簡単な紹介と、グラフ学習タスクにおけるその表現性に関する理論的議論と実証分析について述べる。
- 参考スコア(独自算出の注目度): 11.396560798899413
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Persistent homology, a technique from computational topology, has recently
shown strong empirical performance in the context of graph classification.
Being able to capture long range graph properties via higher-order topological
features, such as cycles of arbitrary length, in combination with multi-scale
topological descriptors, has improved predictive performance for data sets with
prominent topological structures, such as molecules. At the same time, the
theoretical properties of persistent homology have not been formally assessed
in this context. This paper intends to bridge the gap between computational
topology and graph machine learning by providing a brief introduction to
persistent homology in the context of graphs, as well as a theoretical
discussion and empirical analysis of its expressivity for graph learning tasks.
- Abstract(参考訳): 計算トポロジのテクニックである永続化ホモロジーは、最近、グラフ分類の文脈で強い経験的性能を示した。
任意の長さのサイクルや多スケールのトポロジ記述子といった高次のトポロジ的特徴により、長い範囲のグラフ特性をキャプチャできるようになり、分子のような顕著なトポロジ的構造を持つデータセットの予測性能が向上した。
同時に、永続ホモロジーの理論的性質はこの文脈で公式に評価されていない。
本稿では、グラフの文脈における持続的ホモロジーの簡単な紹介と、グラフ学習タスクにおけるその表現性に関する理論的議論と経験的分析を提供することにより、計算トポロジーとグラフ機械学習のギャップを埋めることを目的としている。
関連論文リスト
- Homomorphism Counts for Graph Neural Networks: All About That Basis [9.014929555228916]
グラフニューラルネットワークは、グラフ上の不変関数を学習するためのアーキテクチャである。
グラフ内の特定のパターンを数えることのできないことは、そのような制限の中心にある。
我々は、対象パターンの「基底」に全ての構造の準同型数を含むよりきめ細かいアプローチを論じる。
論文 参考訳(メタデータ) (2024-02-13T16:57:06Z) - Improving embedding of graphs with missing data by soft manifolds [51.425411400683565]
グラフ埋め込みの信頼性は、連続空間の幾何がグラフ構造とどの程度一致しているかに依存する。
我々は、この問題を解決することができる、ソフト多様体と呼ばれる新しい多様体のクラスを導入する。
グラフ埋め込みにソフト多様体を用いることで、複雑なデータセット上のデータ解析における任意のタスクを追求するための連続空間を提供できる。
論文 参考訳(メタデータ) (2023-11-29T12:48:33Z) - Weisfeiler and Lehman Go Paths: Learning Topological Features via Path
Complexes [5.002862787862848]
グラフニューラルネットワーク(GNN)は理論上、1-Weisfeiler-Lehmanテストによって拘束される。
本研究では, トポロジ的メッセージパッシング過程において, グラフ内の単純な経路に着目し, 新たな視点を示す。
論文 参考訳(メタデータ) (2023-08-13T19:45:20Z) - From axioms over graphs to vectors, and back again: evaluating the
properties of graph-based ontology embeddings [78.217418197549]
埋め込みを生成するアプローチの1つは、名前付きエンティティと論理公理構造のためのノードとエッジのセットを導入することである。
グラフに埋め込む方法(グラフ射影)は、それらが利用する公理の種類と異なる性質を持つ。
論文 参考訳(メタデータ) (2023-03-29T08:21:49Z) - A Multi-scale Graph Signature for Persistence Diagrams based on Return
Probabilities of Random Walks [1.745838188269503]
トポロジ的特徴のロバスト性を高めるために,マルチスケールグラフシグネチャ群の利用について検討する。
このセット入力を処理するためのディープラーニングアーキテクチャを提案する。
ベンチマークグラフ分類データセットの実験により,提案したアーキテクチャは,他の永続的ホモロジーに基づく手法よりも優れていることが示された。
論文 参考訳(メタデータ) (2022-09-28T17:30:27Z) - Generalization Guarantee of Training Graph Convolutional Networks with
Graph Topology Sampling [83.77955213766896]
グラフ畳み込みネットワーク(GCN)は近年,グラフ構造化データの学習において大きな成功を収めている。
スケーラビリティ問題に対処するため、Gsの学習におけるメモリと計算コストを削減するため、グラフトポロジサンプリングが提案されている。
本稿では,3層GCNのトレーニング(最大)におけるグラフトポロジサンプリングの最初の理論的正当性について述べる。
論文 参考訳(メタデータ) (2022-07-07T21:25:55Z) - 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) - Persistence Homology for Link Prediction: An Interactive View [15.068319518015421]
リンク予測は、グラフ構造データにとって重要な学習タスクです。
2つのノード間の相互作用を特徴付ける新しいトポロジカルアプローチを提案する。
また、異なるベンチマークで最新技術を上回るグラフニューラルネットワーク手法を提案する。
論文 参考訳(メタデータ) (2021-02-20T04:33:59Z) - Learning the Implicit Semantic Representation on Graph-Structured Data [57.670106959061634]
グラフ畳み込みネットワークにおける既存の表現学習手法は主に、各ノードの近傍を知覚全体として記述することで設計される。
本稿では,グラフの潜在意味パスを学習することで暗黙的な意味を探索する意味グラフ畳み込みネットワーク(sgcn)を提案する。
論文 参考訳(メタデータ) (2021-01-16T16:18:43Z) - Graph Laplacians, Riemannian Manifolds and their Machine-Learning [2.258160413679475]
約8000個の有限グラフからなるWolframデータベースに、教師付きおよび教師なし機械学習やトポロジデータ解析などのデータサイエンスの最新技術を適用した。
ニューラル分類器,回帰器,ネットワークは,グラフのリッチ平坦性認識から,スペクトルギャップの予測,ハミルトン回路の存在検出に至るまで,多数のタスクを効率的に,高精度に行うことができる。
論文 参考訳(メタデータ) (2020-06-30T09:16:56Z) - 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。
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。