論文の概要: GRAF: Graph Attention-aware Fusion Networks

• arxiv url: http://arxiv.org/abs/2303.16781v1
• Date: Wed, 29 Mar 2023 15:17:05 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-30 14:13:42.382915
• Title: GRAF: Graph Attention-aware Fusion Networks
• Title（参考訳）: GRAF: Graph Attention-aware Fusion Networks
• Authors: Ziynet Nesibe Kesimoglu, Serdar Bozdag
• Abstract要約: 現実世界のネットワークには、複数のタイプのノードとエッジが含まれる。 グラフニューラルネットワーク(GNN)は、グラフ構造化データ上のノード機能を活用するためのディープラーニングフレームワークとして登場した。 本稿では,複数のネットワーク上でGNNベースの手法を用いたGRAFという計算手法を提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: A large number of real-world networks include multiple types of nodes and edges. Graph Neural Network (GNN) emerged as a deep learning framework to utilize node features on graph-structured data showing superior performance. However, popular GNN-based architectures operate on one homogeneous network. Enabling them to work on multiple networks brings additional challenges due to the heterogeneity of the networks and the multiplicity of the existing associations. In this study, we present a computational approach named GRAF utilizing GNN-based approaches on multiple networks with the help of attention mechanisms and network fusion. Using attention-based neighborhood aggregation, GRAF learns the importance of each neighbor per node (called node-level attention) followed by the importance of association (called association-level attention) in a hierarchical way. Then, GRAF processes a network fusion step weighing each edge according to learned node- and association-level attention, which results in a fused enriched network. Considering that the fused network could be a highly dense network with many weak edges depending on the given input networks, we included an edge elimination step with respect to edges' weights. Finally, GRAF utilizes Graph Convolutional Network (GCN) on the fused network and incorporates the node features on the graph-structured data for the prediction task or any other downstream analysis. Our extensive evaluations of prediction tasks from different domains showed that GRAF outperformed the state-of-the-art methods. Utilization of learned node-level and association-level attention allowed us to prioritize the edges properly. The source code for our tool is publicly available at https://github.com/bozdaglab/GRAF.
• Abstract（参考訳）: 現実世界のネットワークには、複数のタイプのノードとエッジが含まれる。 グラフニューラルネットワーク(GNN)は、グラフ構造化データのノード機能を利用するディープラーニングフレームワークとして登場した。 しかし、人気のあるGNNベースのアーキテクチャは1つの均一ネットワークで動作する。 複数のネットワークで作業できるようにすることは、ネットワークの多様性と既存のアソシエーションの重複により、さらなる課題をもたらす。 本研究では,複数のネットワークにGNNベースのアプローチを適用し,アテンション機構とネットワーク融合の助けを借りてGRAFという計算手法を提案する。 GRAFは、注意に基づく近隣の集約を用いて、ノードごとの隣人の重要性(ノードレベルアテンションと呼ばれる)と、階層的な方法での関連(アソシエーションレベルアテンションと呼ばれる)の重要性を学習する。 そして、GRAFは学習ノードレベルおよび関連レベルの注意に従って各エッジを計測するネットワーク融合ステップを処理し、融合されたネットワークを生成する。 融合ネットワークは入力ネットワークによって多くの弱いエッジを持つ高密度ネットワークである可能性があることを考慮し、エッジの重みに関してエッジ除去ステップを組み込んだ。 最後に、GRAFは融合ネットワーク上のグラフ畳み込みネットワーク(GCN)を利用し、予測タスクや他の下流分析のためのグラフ構造化データ上のノード特徴を組み込む。 異なる領域から予測タスクを広範囲に評価した結果,grafは最先端手法よりも優れていた。 学習ノードレベルとアソシエーションレベルの注意を利用すれば、エッジを適切に優先順位付けすることができます。 私たちのツールのソースコードはhttps://github.com/bozdaglab/GRAF.comで公開されています。

関連論文リスト

• GNN-LoFI: a Novel Graph Neural Network through Localized Feature-based Histogram Intersection [51.608147732998994]
  グラフニューラルネットワークは、グラフベースの機械学習の選択フレームワークになりつつある。 本稿では,古典的メッセージパッシングに代えて,ノード特徴の局所分布を解析するグラフニューラルネットワークアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2024-01-17T13:04:23Z)
• Collaborative Graph Neural Networks for Attributed Network Embedding [63.39495932900291]
  グラフニューラルネットワーク(GNN)は、属性付きネットワーク埋め込みにおいて顕著な性能を示している。 本稿では,ネットワーク埋め込みに適したGNNアーキテクチャであるCulaborative graph Neural Networks-CONNを提案する。
  論文  参考訳（メタデータ） (2023-07-22T04:52:27Z)
• Learning to Identify Graphs from Node Trajectories in Multi-Robot Networks [15.36505600407192]
  本稿では,グローバル収束保証付きグラフトポロジを効率的に発見する学習ベースアプローチを提案する。 マルチロボット生成および群れ処理におけるグラフの同定におけるアプローチの有効性を実証する。
  論文  参考訳（メタデータ） (2023-07-10T07:09:12Z)
• NodeFormer: A Scalable Graph Structure Learning Transformer for Node Classification [70.51126383984555]
  本稿では,任意のノード間のノード信号を効率的に伝搬する全ペアメッセージパッシング方式を提案する。 効率的な計算は、カーナライズされたGumbel-Softmax演算子によって実現される。 グラフ上のノード分類を含む様々なタスクにおいて,本手法の有望な有効性を示す実験を行った。
  論文  参考訳（メタデータ） (2023-06-14T09:21:15Z)
• KGNN: Harnessing Kernel-based Networks for Semi-supervised Graph Classification [13.419578861488226]
  半教師付きグラフ分類のための Kernel-based Graph Neural Network (KGNN) を提案する。 我々は,KGNNが競争ベースラインよりも優れた性能を発揮することを示す。
  論文  参考訳（メタデータ） (2022-05-21T10:03:46Z)
• AdaGNN: A multi-modal latent representation meta-learner for GNNs based on AdaBoosting [0.38073142980733]
  グラフニューラルネットワーク(GNN)は、固有のネットワーク機能の抽出に重点を置いている。 GNNのための強化型メタラーナを提案する。 AdaGNNは、リッチで多様なノード近傍情報を持つアプリケーションに対して非常によく機能する。
  論文  参考訳（メタデータ） (2021-08-14T03:07:26Z)
• Edge-Featured Graph Attention Network [7.0629162428807115]
  エッジ機能付きグラフアテンションネットワーク(EGAT)を提案し、グラフニューラルネットワークの利用をノードとエッジの両方の特徴を持つグラフ上で学習するタスクに拡張する。 モデル構造と学習プロセスを改革することにより、新しいモデルはノードとエッジの機能を入力として受け入れ、エッジ情報を機能表現に組み込むことができ、ノードとエッジの機能を並列かつ相互に反復することができる。
  論文  参考訳（メタデータ） (2021-01-19T15:08:12Z)
• Dynamic Graph: Learning Instance-aware Connectivity for Neural Networks [78.65792427542672]
  動的グラフネットワーク(DG-Net)は完全な有向非巡回グラフであり、ノードは畳み込みブロックを表し、エッジは接続経路を表す。 ネットワークの同じパスを使用する代わりに、DG-Netは各ノードの機能を動的に集約する。
  論文  参考訳（メタデータ） (2020-10-02T16:50:26Z)
• 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)
• EdgeNets:Edge Varying Graph Neural Networks [179.99395949679547]
  本稿では、EdgeNetの概念を通じて、最先端グラフニューラルネットワーク(GNN)を統一する一般的なフレームワークを提案する。 EdgeNetはGNNアーキテクチャであり、異なるノードが異なるパラメータを使って異なる隣人の情報を測定することができる。 これは、ノードが実行でき、既存のグラフ畳み込みニューラルネットワーク(GCNN)とグラフアテンションネットワーク(GAT)の1つの定式化の下で包含できる一般的な線形で局所的な操作である。
  論文  参考訳（メタデータ） (2020-01-21T15:51:17Z)

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。