論文の概要: GRAF: Graph Attention-aware Fusion Networks
- arxiv url: http://arxiv.org/abs/2303.16781v2
- Date: Thu, 17 Aug 2023 16:41:03 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-22 00:28:26.340471
- 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、下流機械学習タスクのためのノードとグラフの埋め込みを生成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におけるGNNベースのアプローチを利用したGRAF (Graph Attention-aware Fusion Networks) 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
generate node and graph embeddings for downstream machine learning tasks.
However, popular GNN-based architectures operate on single homogeneous
networks. 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 (Graph Attention-aware Fusion Networks) 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). Then, GRAF processes a
network fusion step weighing each edge according to learned node- and
association-level attentions. 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 node features on graph-structured data for a node
classification or a similar downstream task. To demonstrate GRAF's
generalizability, we applied it to four datasets from different domains and
observed that GRAF outperformed or was on par with the baselines,
state-of-the-art methods, and its own variations for each node classification
task. 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。
graph neural network(gnn)は、ダウンストリーム機械学習タスク用のノードおよびグラフ埋め込みを生成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単一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上でのGNNに基づくアプローチを利用して,GRAF (Graph Attention-aware Fusion Networks) という計算手法を提案する。
注意に基づく近所のアグリゲーションを使用して、grafは各ノード毎の隣人の重要性(ノードレベルのアグリゲーションと呼ばれる)、そして関連の重要性(アソシエーションレベルのアグリゲーションと呼ばれる)を学習する。
そして、GRAFは学習ノード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)を使用し、ノード分類や類似の下流タスクのためのグラフ構造化データにノード特徴を組み込む。
GRAFの一般化可能性を示すために、異なる領域の4つのデータセットに適用し、GRAFがベースライン、最先端メソッド、および各ノード分類タスクの独自のバリエーションよりも優れ、あるいは同等であったことを観察した。
私たちのツールのソースコードはhttps://github.com/bozdaglab/GRAF 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。