論文の概要: HD-GCN:A Hybrid Diffusion Graph Convolutional Network
- arxiv url: http://arxiv.org/abs/2303.17966v1
- Date: Fri, 31 Mar 2023 11:12:25 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-03 14:24:24.414890
- Title: HD-GCN:A Hybrid Diffusion Graph Convolutional Network
- Title（参考訳）: HD-GCN:ハイブリッド拡散グラフ畳み込みネットワーク
- Authors: Zhi Yang, Kang Li, Haitao Gan, Zhongwei Huang, Ming Shi
- Abstract要約: 我々はHybrid Diffusion-based Graph Convolutional Network (HD-GCN)と呼ばれるグラフ畳み込みネットワークのための新しいフレームワークを導入する。
HD-GCNは、特徴空間の近傍ノードと隣接行列の隣接ノード間の情報拡散を組み合わせることでハイブリッド拡散を利用する。
我々は、よく知られた3つの引用ネットワークデータセットにおけるHD-GCNの性能を評価する。
- 参考スコア（独自算出の注目度）: 13.906335023159002
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The information diffusion performance of GCN and its variant models is
limited by the adjacency matrix, which can lower their performance. Therefore,
we introduce a new framework for graph convolutional networks called Hybrid
Diffusion-based Graph Convolutional Network (HD-GCN) to address the limitations
of information diffusion caused by the adjacency matrix. In the HD-GCN
framework, we initially utilize diffusion maps to facilitate the diffusion of
information among nodes that are adjacent to each other in the feature space.
This allows for the diffusion of information between similar points that may
not have an adjacent relationship. Next, we utilize graph convolution to
further propagate information among adjacent nodes after the diffusion maps,
thereby enabling the spread of information among similar nodes that are
adjacent in the graph. Finally, we employ the diffusion distances obtained
through the use of diffusion maps to regularize and constrain the predicted
labels of training nodes. This regularization method is then applied to the
HD-GCN training, resulting in a smoother classification surface. The model
proposed in this paper effectively overcomes the limitations of information
diffusion imposed only by the adjacency matrix. HD-GCN utilizes hybrid
diffusion by combining information diffusion between neighborhood nodes in the
feature space and adjacent nodes in the adjacency matrix. This method allows
for more comprehensive information propagation among nodes, resulting in
improved model performance. We evaluated the performance of DM-GCN on three
well-known citation network datasets and the results showed that the proposed
framework is more effective than several graph-based semi-supervised learning
methods.
- Abstract（参考訳）: GCNとその変種モデルの情報拡散性能は、隣接行列によって制限され、その性能は低下する。
そこで本研究では,ハイブリッド拡散型グラフ畳み込みネットワーク(hd-gcn)と呼ばれるグラフ畳み込みネットワークのための新しいフレームワークを提案する。
hd-gcnフレームワークでは、最初に拡散マップを使用して、特徴空間内の隣接ノード間の情報の拡散を容易にする。
これにより、隣接する関係を持たない類似点間の情報の拡散が可能になる。
次に、グラフ畳み込みを利用して、拡散マップの後に隣接するノード間で情報を伝播し、グラフに隣接する類似ノード間で情報の拡散を可能にする。
最後に、拡散写像を用いて得られた拡散距離を用いて、トレーニングノードの予測ラベルを規則化し、制約する。
この正規化法をHD-GCNトレーニングに適用すると、よりスムーズな分類面が得られる。
本論文で提案するモデルは,隣接行列のみによって課される情報拡散の限界を効果的に克服する。
HD-GCNは、特徴空間の近傍ノードと隣接行列の隣接ノード間の情報拡散を組み合わせることでハイブリッド拡散を利用する。
この手法により、ノード間のより包括的な情報伝達が可能となり、モデル性能が向上する。
DM-GCNの性能評価を行った結果,提案手法はグラフに基づく半教師付き学習法よりも有効であることがわかった。
関連論文リスト
- Flexible Diffusion Scopes with Parameterized Laplacian for Heterophilic Graph Learning [7.775158500331812]
パラメータ化されたラプラシア行列の新たなクラスを提案し、ノード間の拡散距離を制御する柔軟性を確実に提供する。
ラプラシアンのパラメータが拡散範囲の柔軟性を実現することを示す。
フレキシブルな拡散範囲を持つ2つのGNN、すなわち拡散型グラフ畳み込みネットワーク(PDGCN)とグラフ注意ネットワーク(PD-GAT)を提案する。
論文 参考訳（メタデータ） (2024-09-15T22:52:46Z) - Graph Neural Aggregation-diffusion with Metastability [4.040326569845733]
微分方程式に基づく連続グラフニューラルモデルはグラフニューラルネット(GNN)のアーキテクチャを拡張した
相互作用ポテンシャルによって誘導される非線形拡散と凝集の微妙なバランスを含むグラフ凝集拡散方程式に着想を得たGRADEを提案する。
我々はGRADEが様々なベンチマークで競合性能を達成し、GNNにおける過度にスムースな問題を軽減することを証明した。
論文 参考訳（メタデータ） (2024-03-29T15:05:57Z) - Learning to Approximate Adaptive Kernel Convolution on Graphs [4.434835769977399]
本稿では,拡散カーネルのスケールによって特徴集約の範囲を制御できる拡散学習フレームワークを提案する。
本モデルは,最先端データセットの性能評価のためのノードワイズ分類のための様々な標準で検証されている。
グラフ分類のための実世界の脳ネットワークデータにも検証され、アルツハイマー分類の実用性を実証している。
論文 参考訳（メタデータ） (2024-01-22T10:57:11Z) - Deep Manifold Graph Auto-Encoder for Attributed Graph Embedding [51.75091298017941]
本稿では,属性付きグラフデータに対する新しいDeep Manifold (Variational) Graph Auto-Encoder (DMVGAE/DMGAE)を提案する。
提案手法は,最先端のベースラインアルゴリズムを,一般的なデータセット間でのダウンストリームタスクの差を大きく越える。
論文 参考訳（メタデータ） (2024-01-12T17:57:07Z) - Accelerating Scalable Graph Neural Network Inference with Node-Adaptive
Propagation [80.227864832092]
グラフニューラルネットワーク(GNN)は、様々なアプリケーションで例外的な効果を発揮している。
大規模グラフの重大化は,GNNによるリアルタイム推論において重要な課題となる。
本稿では,オンライン伝搬フレームワークと2つの新しいノード適応伝搬手法を提案する。
論文 参考訳（メタデータ） (2023-10-17T05:03:00Z) - DiGress: Discrete Denoising diffusion for graph generation [79.13904438217592]
DiGressは、分類ノードとエッジ属性を持つグラフを生成するための離散化拡散モデルである。
分子と非分子のデータセットで最先端のパフォーマンスを実現し、最大3倍の妥当性が向上する。
また、1.3Mの薬物様分子を含む大規模なGuacaMolデータセットにスケールする最初のモデルでもある。
論文 参考訳（メタデータ） (2022-09-29T12:55:03Z) - Interpolation-based Correlation Reduction Network for Semi-Supervised
Graph Learning [49.94816548023729]
補間型相関低減ネットワーク(ICRN)と呼ばれる新しいグラフコントラスト学習手法を提案する。
提案手法では,決定境界のマージンを大きくすることで,潜在特徴の識別能力を向上させる。
この2つの設定を組み合わせることで、豊富なラベル付きノードと稀に価値あるラベル付きノードから豊富な監視情報を抽出し、離散表現学習を行う。
論文 参考訳（メタデータ） (2022-06-06T14:26:34Z) - Diffusion-GAN: Training GANs with Diffusion [135.24433011977874]
GAN(Generative Adversarial Network)は、安定してトレーニングすることが難しい。
フォワード拡散チェーンを利用してインスタンスノイズを生成する新しいGANフレームワークであるDiffusion-GANを提案する。
我々は,Diffusion-GANにより,最先端のGANよりも高い安定性とデータ効率で,よりリアルな画像を生成することができることを示す。
論文 参考訳（メタデータ） (2022-06-05T20:45:01Z) - Graph Neural Diffusion Networks for Semi-supervised Learning [6.376489604292251]
Graph Convolutional Networks (GCN)は、グラフに基づく半教師付き学習のパイオニアモデルである。
本稿では,局所的およびグローバルな近隣情報を利用したニューラルネット(グラフニューラルディフュージョンネットワーク)と呼ばれる新しいグラフニューラルネットワークを提案する。
ニューラルネットワークの採用により、ニューラルネットワークの拡散は異なるデータセットに適応できる。
論文 参考訳（メタデータ） (2022-01-24T14:07:56Z) - AMA-GCN: Adaptive Multi-layer Aggregation Graph Convolutional Network
for Disease Prediction [20.19380805655623]
空間分布に応じて適切な表現型尺度を自動的に選択するエンコーダを提案する。
また,多層アグリゲーション機構を用いた新しいグラフ畳み込み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） (2021-06-16T12:13:23Z) - Graph Highway Networks [77.38665506495553]
グラフ畳み込みネットワーク(GCN)は、グラフ表現の有効性と効率性から、グラフ表現の学習に広く利用されている。
彼らは、多くの層が積み重ねられたとき、学習された表現が類似したベクトルに収束するという悪名高い過度に滑らかな問題に悩まされる。
本稿では,GCN学習プロセスにおける均一性と不均一性との間のトレードオフのバランスをとるため,ゲーティングユニットを利用したグラフハイウェイネットワークを提案する。
論文 参考訳（メタデータ） (2020-04-09T16:26:43Z)
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。