論文の概要: Path Integral Based Convolution and Pooling for Heterogeneous Graph Neural Networks

• arxiv url: http://arxiv.org/abs/2302.13399v1
• Date: Sun, 26 Feb 2023 20:05:23 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-28 17:28:40.913154
• Title: Path Integral Based Convolution and Pooling for Heterogeneous Graph Neural Networks
• Title（参考訳）: 不均一グラフニューラルネットワークのための経路積分に基づく畳み込みとプーリング
• Authors: Lingjie Kong and Yun Liao
• Abstract要約: グラフニューラルネットワーク(GNN)は、ディープラーニングをグラフ構造データセットに拡張する。 画像予測に使用する畳み込みニューラルネットワーク(CNN)と同様に、畳み込み層とプーリング層がグラフ予測タスクにおけるGNNの成功の基礎となっている。
• 参考スコア（独自算出の注目度）: 2.5889737226898437
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graph neural networks (GNN) extends deep learning to graph-structure dataset. Similar to Convolutional Neural Networks (CNN) using on image prediction, convolutional and pooling layers are the foundation to success for GNN on graph prediction tasks. In the initial PAN paper, it uses a path integral based graph neural networks for graph prediction. Specifically, it uses a convolution operation that involves every path linking the message sender and receiver with learnable weights depending on the path length, which corresponds to the maximal entropy random walk. It further generalizes such convolution operation to a new transition matrix called maximal entropy transition (MET). Because the diagonal entries of the MET matrix is directly related to the subgraph centrality, it provide a trial mechanism for pooling based on centrality score. While the initial PAN paper only considers node features. We further extends its capability to handle complex heterogeneous graph including both node and edge features.
• Abstract（参考訳）: graph neural networks(gnn)はディープラーニングをグラフ構造データセットに拡張する。 画像予測に使用する畳み込みニューラルネットワーク(CNN)と同様に、畳み込み層とプーリング層がグラフ予測タスクにおけるGNNの成功の基礎となっている。 最初のPAN論文では、パス積分に基づくグラフニューラルネットワークを用いてグラフ予測を行う。 具体的には、最大エントロピーランダムウォークに対応する経路長に応じて、メッセージ送信側と受信側を学習可能な重みでリンクする全てのパスを含む畳み込み操作を使用する。 さらに、そのような畳み込み演算を最大エントロピー遷移(MET)と呼ばれる新しい遷移行列に一般化する。 MET行列の対角成分は、部分グラフ中心性に直接関係しているため、集中度スコアに基づくプーリングの試行メカニズムを提供する。 PANの最初の論文ではノードの特徴しか考慮していない。 ノードとエッジの両方の機能を含む複雑な異種グラフを扱う機能をさらに拡張します。

関連論文リスト

• Improving Graph Neural Networks by Learning Continuous Edge Directions [0.0]
  グラフニューラルネットワーク(GNN)は、従来、非指向グラフ上の拡散に似たメッセージパッシング機構を採用している。 私たちのキーとなる洞察は、ファジィエッジ方向をグラフのエッジに割り当てることです。 ファジィエッジを持つグラフを学習するためのフレームワークとして,Continuous Edge Direction (CoED) GNNを提案する。
  論文  参考訳（メタデータ） (2024-10-18T01:34:35Z)
• Generalization of Geometric Graph Neural Networks [84.01980526069075]
  幾何グラフニューラルネットワーク(GNN)の一般化能力について検討する。 我々は,このGNNの最適経験リスクと最適統計リスクとの一般化ギャップを証明した。 最も重要な観察は、前の結果のようにグラフのサイズに制限されるのではなく、1つの大きなグラフで一般化能力を実現することができることである。
  論文  参考訳（メタデータ） (2024-09-08T18:55:57Z)
• Scalable Graph Compressed Convolutions [68.85227170390864]
  ユークリッド畳み込みのための入力グラフのキャリブレーションに置換を適用する微分可能手法を提案する。 グラフキャリブレーションに基づいて,階層型グラフ表現学習のための圧縮畳み込みネットワーク(CoCN)を提案する。
  論文  参考訳（メタデータ） (2024-07-26T03:14:13Z)
• Degree-based stratification of nodes in Graph Neural Networks [66.17149106033126]
  グラフニューラルネットワーク(GNN)アーキテクチャを変更して,各グループのノードに対して,重み行列を個別に学習する。 このシンプルな実装変更により、データセットとGNNメソッドのパフォーマンスが改善されているようだ。
  論文  参考訳（メタデータ） (2023-12-16T14:09:23Z)
• Seq-HGNN: Learning Sequential Node Representation on Heterogeneous Graph [57.2953563124339]
  本稿では,シーケンシャルノード表現,すなわちSeq-HGNNを用いた新しい異種グラフニューラルネットワークを提案する。 Heterogeneous Graph Benchmark (HGB) と Open Graph Benchmark (OGB) の4つの広く使われているデータセットについて広範な実験を行った。
  論文  参考訳（メタデータ） (2023-05-18T07:27:18Z)
• Neural Link Prediction with Walk Pooling [31.12613408446031]
  ウォークプールと呼ばれる新しいプール方式に基づくリンク予測を提案する。 トポロジカルアルゴリズムの表現性とニューラルネットワークの機能学習能力を組み合わせる。 これは、すべての一般的なリンク予測ベンチマークで最先端の手法より優れている。
  論文  参考訳（メタデータ） (2021-10-08T20:52:12Z)
• Simplicial Convolutional Neural Networks [36.078200422283835]
  近年,信号処理やニューラルネットワークが拡張されて,グラフのデータ処理や学習が行われている。 本稿では,単純な畳み込みニューラルネットワーク(SCNN)アーキテクチャを提案する。
  論文  参考訳（メタデータ） (2021-10-06T08:52:55Z)
• RaWaNet: Enriching Graph Neural Network Input via Random Walks on Graphs [0.0]
  グラフニューラルネットワーク(GNN)の人気が高まっており、グラフで表されるデータに対して非常に有望な結果を示している。 本稿では,3つの選択された長さに基づいて,グラフのランダムなウォークデータ処理を提案する。すなわち,グラフ上の局所的および大域的ダイナミクスを捉えるために,長さ1,2の(正規)ウォークと長さ0,1$の分節ウォークを提案する。 本手法は, 処理ノードの特徴をネットワークに渡すことによって, 様々な分子データセット上で検証し, 分類および回帰処理を行う。
  論文  参考訳（メタデータ） (2021-09-15T20:04:01Z)
• Graph Neural Networks: Architectures, Stability and Transferability [176.3960927323358]
  グラフニューラルネットワーク(GNN)は、グラフでサポートされている信号のための情報処理アーキテクチャである。 これらは、個々の層がグラフ畳み込みフィルタのバンクを含む畳み込みニューラルネットワーク(CNN)の一般化である。
  論文  参考訳（メタデータ） (2020-08-04T18:57:36Z)
• Path Integral Based Convolution and Pooling for Graph Neural Networks [12.801534458657592]
  グラフの分類と回帰処理のための経路積分に基づくグラフニューラルネットワーク(PAN)を提案する。 PANは、さまざまなサイズと構造を持つ異なるグラフデータ用に調整可能な、汎用的なフレームワークを提供する。 実験結果から,PANは様々なグラフ分類/回帰タスクにおいて最先端の性能を達成することが示された。
  論文  参考訳（メタデータ） (2020-06-29T16:20:33Z)
• Graphs, Convolutions, and Neural Networks: From Graph Filters to Graph Neural Networks [183.97265247061847]
  我々はグラフ信号処理を活用してグラフニューラルネットワーク(GNN)の表現空間を特徴付ける。 GNNにおけるグラフ畳み込みフィルタの役割について議論し、そのようなフィルタで構築されたアーキテクチャは、置換同値の基本的な性質と位相変化に対する安定性を持つことを示す。 また,ロボット群に対するリコメンデータシステムや分散型コントローラの学習におけるGNNの利用について検討した。
  論文  参考訳（メタデータ） (2020-03-08T13:02:15Z)

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。