論文の概要: HiGeN: Hierarchical Multi-Resolution Graph Generative Networks
- arxiv url: http://arxiv.org/abs/2303.03293v1
- Date: Mon, 6 Mar 2023 17:09:48 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-07 15:20:22.318792
- Title: HiGeN: Hierarchical Multi-Resolution Graph Generative Networks
- Title(参考訳): HiGeN:階層型マルチソリューショングラフ生成ネットワーク
- Authors: Mahdi Karami, Jun Luo
- Abstract要約: 複数の解像度でコミュニティ構造を生成する新しい手法を提案する。
生成された構造は、階層のそれぞれのレベルでのデータ分散をトレーニングする。
提案手法は,複数のデータセットの精度と効率の両面において最先端の性能を実現する。
- 参考スコア(独自算出の注目度): 10.420165982124471
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In real world domains, most graphs naturally exhibit a hierarchical
structure. However, data-driven graph generation is yet to effectively capture
such structures. To address this, we propose a novel approach that recursively
generates community structures at multiple resolutions, with the generated
structures conforming to training data distribution at each level of the
hierarchy. The graphs generation is designed as a sequence of coarse-to-fine
generative models allowing for parallel generation of all sub-structures,
resulting in a high degree of scalability. Furthermore, we model the output
distribution of edges with a more expressive multinomial distribution and
derive a recursive factorization for this distribution, making it a suitable
choice for graph generative models. This allows for the generation of graphs
with integer-valued edge weights. Our method achieves state-of-the-art
performance in both accuracy and efficiency on multiple datasets.
- Abstract(参考訳): 実世界の領域では、ほとんどのグラフは自然に階層構造を示す。
しかし、データ駆動グラフ生成はそのような構造を効果的に捉えていない。
そこで本稿では,階層の各レベルでのトレーニングデータ分布に準拠した生成構造を複数解像度で再帰的に生成する新しい手法を提案する。
グラフ生成は、すべてのサブ構造を並列に生成できる粗大な生成モデルのシーケンスとして設計されており、高いスケーラビリティをもたらす。
さらに、エッジの出力分布をより表現力のある多項分布でモデル化し、この分布に対する再帰的因子化を導出し、グラフ生成モデルに適した選択となる。
これにより、整数値のエッジ重み付きグラフの生成が可能になる。
提案手法は,複数のデータセットの精度と効率の両面で最先端の性能を実現する。
関連論文リスト
- 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) - Hierarchical Aggregations for High-Dimensional Multiplex Graph Embedding [7.271256448682229]
HMGEは高次元多重グラフの階層的アグリゲーションに基づく新しい埋め込み手法である。
我々は、ローカルパッチとグローバルサマリー間の相互情報を活用して、監督なしにモデルを訓練する。
合成および実世界のデータに関する詳細な実験は、下流監視タスクに対する我々のアプローチの適合性を示している。
論文 参考訳(メタデータ) (2023-12-28T05:39:33Z) - Efficient and Scalable Graph Generation through Iterative Local Expansion [26.843529744867222]
本稿では,1ノードを対象グラフに段階的に拡張することで,グラフを生成する手法を提案する。
各ステップにおいて、ノードとエッジは拡散を減らし、まずグローバル構造を構築し、次に局所的な詳細を精査することで局所的に追加される。
提案モデルは,5,000ノード以上のグラフへのスケーリングを成功裏に,確立されたベンチマークデータセット上での最先端性能を実現する。
論文 参考訳(メタデータ) (2023-12-14T10:42:42Z) - HiGen: Hierarchical Graph Generative Networks [2.3931689873603603]
ほとんどの実世界のグラフは階層構造を示しており、しばしば既存のグラフ生成法で見過ごされる。
本稿では,グラフの階層的な性質を捉え,グラフのサブ構造を粗い方法で連続的に生成するグラフ生成ネットワークを提案する。
このモジュラーアプローチは、大規模で複雑なグラフに対してスケーラブルなグラフ生成を可能にする。
論文 参考訳(メタデータ) (2023-05-30T18:04:12Z) - Hierarchical clustering with dot products recovers hidden tree structure [53.68551192799585]
本稿では,階層構造の回復に着目した凝集クラスタリングアルゴリズムの新しい視点を提案する。
クラスタを最大平均点積でマージし、例えば最小距離やクラスタ内分散でマージしないような、標準的なアルゴリズムの単純な変種を推奨する。
このアルゴリズムにより得られた木は、汎用確率的グラフィカルモデルの下で、データ中の生成的階層構造をボナフェイド推定することを示した。
論文 参考訳(メタデータ) (2023-05-24T11:05:12Z) - GrannGAN: Graph annotation generative adversarial networks [72.66289932625742]
本稿では,高次元分布をモデル化し,グラフスケルトンと整合した複雑な関係特徴構造を持つデータの新しい例を生成することの問題点を考察する。
提案するモデルは,タスクを2つのフェーズに分割することで,各データポイントのグラフ構造に制約されたデータ特徴を生成する問題に対処する。
第一に、与えられたグラフのノードに関連する機能の分布をモデル化し、第二に、ノードのフィーチャに条件付きでエッジ機能を補完する。
論文 参考訳(メタデータ) (2022-12-01T11:49:07Z) - SCGG: A Deep Structure-Conditioned Graph Generative Model [9.046174529859524]
SCGGと呼ばれる条件付きディープグラフ生成法は、特定のタイプの構造条件を考える。
SCGGのアーキテクチャは、グラフ表現学習ネットワークと、エンドツーエンドで訓練された自己回帰生成モデルで構成されている。
合成と実世界の両方のデータセットに対する実験結果は,最先端のベースラインと比較して,本手法の優位性を示している。
論文 参考訳(メタデータ) (2022-09-20T12:33:50Z) - A Robust and Generalized Framework for Adversarial Graph Embedding [73.37228022428663]
本稿では,AGE という逆グラフ埋め込みのための頑健なフレームワークを提案する。
AGEは、暗黙の分布から強化された負のサンプルとして偽の隣接ノードを生成する。
本フレームワークでは,3種類のグラフデータを扱う3つのモデルを提案する。
論文 参考訳(メタデータ) (2021-05-22T07:05:48Z) - Structured Graph Learning for Clustering and Semi-supervised
Classification [74.35376212789132]
データの局所構造とグローバル構造の両方を保存するためのグラフ学習フレームワークを提案する。
本手法は, サンプルの自己表現性を利用して, 局所構造を尊重するために, 大域的構造と適応的隣接アプローチを捉える。
我々のモデルは、ある条件下でのカーネルk平均法とk平均法の組合せと等価である。
論文 参考訳(メタデータ) (2020-08-31T08:41:20Z) - Adaptive Graph Auto-Encoder for General Data Clustering [90.8576971748142]
グラフベースのクラスタリングは、クラスタリング領域において重要な役割を果たす。
グラフ畳み込みニューラルネットワークに関する最近の研究は、グラフ型データにおいて驚くべき成功を収めている。
本稿では,グラフの生成的視点に応じて適応的にグラフを構成する汎用データクラスタリングのためのグラフ自動エンコーダを提案する。
論文 参考訳(メタデータ) (2020-02-20T10:11:28Z)
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。