Fugu-MT 論文翻訳(概要): Technical report: Graph Neural Networks go Grammatical

論文の概要: Technical report: Graph Neural Networks go Grammatical

arxiv url: http://arxiv.org/abs/2303.01590v1
Date: Thu, 2 Mar 2023 21:27:54 GMT
ステータス: 処理完了
システム内更新日: 2023-03-06 16:57:39.175133
Title: Technical report: Graph Neural Networks go Grammatical
Title（参考訳）: テクニカルレポート:グラフニューラルネットワークは文法的になる
Authors: Jason Piquenot, Aldo Moscatelli, Maxime B\'erar, Pierre H\'eroux, Jean-Yves Ramel, Romain raveaux, S\'ebastien Adam
Abstract要約: 本稿では,新しいGNN設計戦略を提案する。文脈自由文法 (CFG) に依存し、行列言語 MATLANG を生成する。我々の戦略を適用して、文法グラフニューラルネットワークG$2$N$2$を設計し、3WL GNNを最大6までのエッジレベルのサイクルでカウントでき、帯域通過フィルタに到達できることを示す。
参考スコア（独自算出の注目度）: 7.265711728234509
License: http://creativecommons.org/licenses/by/4.0/
Abstract: This paper proposes a new GNN design strategy. This strategy relies on Context-Free Grammars (CFG) generating the matrix language MATLANG. It enables us to ensure both WL-expressive power, substructure counting abilities and spectral properties. Applying our strategy, we design Grammatical Graph Neural Network G$ ^2$N$^2$, a provably 3-WL GNN able to count at edge-level cycles of length up to 6 and able to reach band-pass filters. A large number of experiments covering these properties corroborate the presented theoretical results.
Abstract（参考訳）: 本稿では,新しいGNN設計戦略を提案する。この戦略は、マトリックス言語MATLANGを生成する文脈自由文法(CFG)に依存している。これにより、WL表現力、サブ構造カウント能力、スペクトル特性の両立が図られる。提案手法を応用し,帯域通過フィルタに到達可能な3wlのgnnである^2$^2$^2$の文法グラフニューラルネットワークの設計を行った。これらの性質をカバーした多くの実験は、提示された理論的結果を裏付ける。

関連論文リスト

Global Graph Counterfactual Explanation: A Subgraph Mapping Approach [54.42907350881448]
グラフニューラルネットワーク(GNN)は、様々な現実世界のアプリケーションに広くデプロイされている。対実的説明は、GNN予測を変える入力グラフ上で最小の摂動を見つけることを目的としている。我々は,グローバルレベルのグラフ対実的説明法であるGlobalGCEを提案する。
論文参考訳（メタデータ） (2024-10-25T21:39:05Z)
LOGIN: A Large Language Model Consulted Graph Neural Network Training Framework [30.54068909225463]
我々は,GNN設計プロセスの合理化とLarge Language Models(LLM)の利点を活用して,下流タスクにおけるGNNの性能向上を目指す。我々は,LLMs-as-Consultants(LLMs-as-Consultants)という新たなパラダイムを策定し,LLMとGNNを対話的に統合する。両グラフのノード分類におけるLOGINの有効性を実証的に評価した。
論文参考訳（メタデータ） (2024-05-22T18:17:20Z)
Understanding Expressivity of GNN in Rule Learning [36.04983130825589]
ルール学習は知識グラフ(KG)推論を改善するために重要である。テールエンティティスコアリングを持つGNNは、共通のフレームワークに統合される。そこで我々は,KG推論におけるルールをより多く学習するための新しいラベリング戦略を提案する。
論文参考訳（メタデータ） (2023-03-22T04:49:00Z)
Gradient Gating for Deep Multi-Rate Learning on Graphs [62.25886489571097]
グラフニューラルネットワーク(GNN)の性能向上のための新しいフレームワークであるグラディエントゲーティング(G$2$)を提案する。我々のフレームワークは,GNN層の出力を,基盤となるグラフのノード間でのメッセージパッシング情報のマルチレートフローのメカニズムでゲーティングすることに基づいている。
論文参考訳（メタデータ） (2022-10-02T13:19:48Z)
Empowering GNNs via Edge-Aware Weisfeiler-Leman Algorithm [79.68451803954751]
メッセージパッシンググラフニューラルネットワーク(GNN)は1次元Weisfeiler-Leman (1-WL)アルゴリズムによって上界表現性を持つことが知られている。本稿では,メッセージパッシング方式のスケーラビリティを保った汎用かつ実証可能なGNNフレームワークを提案する。
論文参考訳（メタデータ） (2022-06-04T21:37:59Z)
Twin Weisfeiler-Lehman: High Expressive GNNs for Graph Classification [48.087302573188396]
本稿では,ノードラベルとノードIDを同時に渡す新しいグラフ同型テスト手法Twin-WLを提案する。 2つのツイン-GNNは、従来のメッセージパッシングGNNよりも表現力が高いことが証明された。
論文参考訳（メタデータ） (2022-03-22T12:58:03Z)
Training Free Graph Neural Networks for Graph Matching [103.45755859119035]
TFGMは、グラフニューラルネットワーク(GNN)ベースのグラフマッチングのパフォーマンスをトレーニングなしで向上するフレームワークである。 TFGMをさまざまなGNNに適用することは、ベースラインよりも有望な改善を示している。
論文参考訳（メタデータ） (2022-01-14T09:04:46Z)
Graph Neural Networks with Local Graph Parameters [1.8600631687568656]
ローカルグラフパラメータは、任意のグラフニューラルネットワーク(GNN)アーキテクチャに追加することができる。我々の結果は、有限モデル理論と有限変数論理の深い結果とGNNを結びつける。
論文参考訳（メタデータ） (2021-06-12T07:43:51Z)
Theoretically Improving Graph Neural Networks via Anonymous Walk Graph Kernels [25.736529232578178]
グラフニューラルネットワーク(GNN)は、グラフマイニングで大きな成功を収めました。一般的なGNNとしてMPGNNは、多くのグラフのサブ構造を識別、検出、カウントできないことが理論的に示されている。理論的にはグラフ構造を区別する能力の強いGNNモデルであるGSKNを提案する。
論文参考訳（メタデータ） (2021-04-07T08:50:34Z)
Distance Encoding: Design Provably More Powerful Neural Networks for Graph Representation Learning [63.97983530843762]
グラフニューラルネットワーク(GNN)はグラフ表現学習において大きな成功を収めている。 GNNは、実際には非常に異なるグラフ部分構造に対して同一の表現を生成する。より強力なGNNは、最近高階試験を模倣して提案され、基礎となるグラフ構造を疎結合にできないため、非効率である。本稿では,グラフ表現学習の新たなクラスとして距離分解(DE)を提案する。
論文参考訳（メタデータ） (2020-08-31T23:15:40Z)
A Novel Higher-order Weisfeiler-Lehman Graph Convolution [2.658812114255374]
2次元Weisfeiler-Lehmanテストに基づく新しいグラフ畳み込み演算子を提案する。得られた2-WL-GNNアーキテクチャは,既存のGNNアプローチよりも識別性が高いことを示す。
論文参考訳（メタデータ） (2020-07-01T09:32:01Z)

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。