Fugu-MT 論文翻訳(概要): Topological Pooling on Graphs

論文の概要: Topological Pooling on Graphs

arxiv url: http://arxiv.org/abs/2303.14543v1
Date: Sat, 25 Mar 2023 19:30:46 GMT
ステータス: 処理完了
システム内更新日: 2023-03-28 19:07:13.075355
Title: Topological Pooling on Graphs
Title（参考訳）: グラフ上のトポロジカルプール
Authors: Yuzhou Chen, Yulia R. Gel
Abstract要約: グラフニューラルネットワーク(GNN)は、さまざまなグラフ学習タスクにおいて大きな成功を収めている。そこで我々は,新しいトポロジカルプール層とビジター複合型トポロジカル埋め込み機構を提案する。 Wit-TopoPoolは、すべてのデータセットで競合他社よりも大幅に優れています。
参考スコア（独自算出の注目度）: 24.584372324701885
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Graph neural networks (GNNs) have demonstrated a significant success in various graph learning tasks, from graph classification to anomaly detection. There recently has emerged a number of approaches adopting a graph pooling operation within GNNs, with a goal to preserve graph attributive and structural features during the graph representation learning. However, most existing graph pooling operations suffer from the limitations of relying on node-wise neighbor weighting and embedding, which leads to insufficient encoding of rich topological structures and node attributes exhibited by real-world networks. By invoking the machinery of persistent homology and the concept of landmarks, we propose a novel topological pooling layer and witness complex-based topological embedding mechanism that allow us to systematically integrate hidden topological information at both local and global levels. Specifically, we design new learnable local and global topological representations Wit-TopoPool which allow us to simultaneously extract rich discriminative topological information from graphs. Experiments on 11 diverse benchmark datasets against 18 baseline models in conjunction with graph classification tasks indicate that Wit-TopoPool significantly outperforms all competitors across all datasets.
Abstract（参考訳）: グラフニューラルネットワーク(GNN)は,グラフ分類から異常検出に至るまで,さまざまなグラフ学習タスクにおいて大きな成功を収めている。近年,グラフ表現学習におけるグラフ属性と構造的特徴の保存を目標として,グラフプーリング操作をGNN内に導入するアプローチが数多く出現している。しかし、既存のグラフプール操作の多くは、ノードワイドの重み付けと埋め込みに依存する限界に悩まされており、実際のネットワークで示されるリッチなトポロジ構造やノード属性の符号化が不十分である。永続的ホモロジーの機械とランドマークの概念を駆使して,局所的およびグローバル的に隠れたトポロジ情報を体系的に統合する,新しいトポロジ的プール層と複合的なトポロジ的埋め込み機構を提案する。具体的には,学習可能な局所的およびグローバルなトポロジ表現(Wit-TopoPool)を新たに設計し,グラフからリッチな識別的トポロジ情報を抽出する。グラフ分類タスクと合わせて、18のベースラインモデルに対する11の多様なベンチマークデータセットの実験は、wit-topopoolがすべてのデータセットの競合相手を大きく上回っていることを示している。

関連論文リスト

Tackling Oversmoothing in GNN via Graph Sparsification: A Truss-based Approach [1.4854797901022863]
本稿では,グラフの高密度領域からエッジを抽出する新鮮で柔軟なトラスグラフスペーシフィケーションモデルを提案する。次に、GIN、SAGPool、GMT、DiffPool、MinCutPool、HGP-SL、DMonPool、AdamGNNといった最先端のベースラインGNNとプールモデルでスパーシフィケーションモデルを利用する。
論文参考訳（メタデータ） (2024-07-16T17:21:36Z)
Unveiling Global Interactive Patterns across Graphs: Towards Interpretable Graph Neural Networks [31.29616732552006]
グラフニューラルネットワーク(GNN)は、グラフマイニングの著名なフレームワークとして登場した。本稿では,グラフ分類に内在的に解釈可能な新しい手法を提案する。グローバル対話パターン(GIP)学習は、学習可能なグローバル対話パターンを導入し、決定を明示的に解釈する。
論文参考訳（メタデータ） (2024-07-02T06:31:13Z)
DGNN: Decoupled Graph Neural Networks with Structural Consistency between Attribute and Graph Embedding Representations [62.04558318166396]
グラフニューラルネットワーク(GNN)は、複雑な構造を持つグラフ上での表現学習の堅牢性を示す。ノードのより包括的な埋め込み表現を得るために、Decoupled Graph Neural Networks (DGNN)と呼ばれる新しいGNNフレームワークが導入された。複数のグラフベンチマークデータセットを用いて、ノード分類タスクにおけるDGNNの優位性を検証した。
論文参考訳（メタデータ） (2024-01-28T06:43:13Z)
Higher-order Clustering and Pooling for Graph Neural Networks [77.47617360812023]
グラフニューラルネットワークは、多数のグラフ分類タスクにおいて最先端のパフォーマンスを達成する。 HoscPoolはクラスタリングベースのグラフプーリング演算子で、階層的に高階情報をキャプチャする。グラフ分類タスクにおいてHoscPoolを評価し,そのクラスタリングコンポーネントを地層構造を持つグラフ上で評価する。
論文参考訳（メタデータ） (2022-09-02T09:17:10Z)
Deep Graph-level Anomaly Detection by Glocal Knowledge Distillation [61.39364567221311]
グラフレベルの異常検出(GAD)は、その構造やノードの特徴に異常なグラフを検出する問題を記述している。 GADの課題の1つは、局所的および大域的非正則グラフの検出を可能にするグラフ表現を考案することである。本稿では,グラフとノード表現の連成ランダム蒸留により,グローバルおよびローカルな正規パターン情報を豊富に学習するGADのための新しい深部異常検出手法を提案する。
論文参考訳（メタデータ） (2021-12-19T05:04:53Z)
Topological Relational Learning on Graphs [2.4692806302088868]
グラフニューラルネットワーク(GNN)は、グラフ分類と表現学習のための強力なツールとして登場した。本稿では,GNNに高階グラフ情報を統合可能な新しいトポロジカルリレーショナル推論(TRI)を提案する。新しいTRI-GNNは、6つの7つのグラフで14の最先端のベースラインを上回り、摂動に対して高い堅牢性を示すことを示す。
論文参考訳（メタデータ） (2021-10-29T04:03:27Z)
Hierarchical Graph Capsule Network [78.4325268572233]
ノード埋め込みを共同で学習し,グラフ階層を抽出できる階層型グラフカプセルネットワーク(HGCN)を提案する。階層的表現を学ぶために、HGCNは下層カプセル(部分)と高層カプセル(全体)の間の部分的関係を特徴付ける。
論文参考訳（メタデータ） (2020-12-16T04:13:26Z)
CommPOOL: An Interpretable Graph Pooling Framework for Hierarchical Graph Representation Learning [74.90535111881358]
新しい解釈可能なグラフプーリングフレームワークである CommPOOL を提案します。グラフ表現学習プロセスにおいて、グラフの階層的なコミュニティ構造をキャプチャし、保存することができる。 CommPOOLは階層グラフ表現学習のための汎用的で柔軟なフレームワークです。
論文参考訳（メタデータ） (2020-12-10T21:14:18Z)
Graph Neural Networks Including Sparse Interpretability [0.0]
本稿では,重要なグラフ構造とノード特徴を解釈するためのモデルに依存しないフレームワークを提案する。 GISSTモデルは、合成データセットにおいて優れたノード特徴とエッジ説明精度を実現する。
論文参考訳（メタデータ） (2020-06-30T21:35:55Z)
Graph Clustering with Graph Neural Networks [5.305362965553278]
グラフニューラルネットワーク(GNN)は多くのグラフ解析タスクにおいて最先端の結果を得た。グラフクラスタリングのようなグラフ上の教師なしの問題は、GNNの進歩に対してより抵抗性があることが証明されている。本稿では,クラスタリング品質のモジュラリティ尺度にインスパイアされた教師なしプール手法であるDeep Modularity Networks (DMoN)を紹介する。
論文参考訳（メタデータ） (2020-06-30T15:30:49Z)
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。