論文の概要: Tractable Probabilistic Graph Representation Learning with Graph-Induced
Sum-Product Networks
- arxiv url: http://arxiv.org/abs/2305.10544v2
- Date: Fri, 16 Feb 2024 10:58:18 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-19 20:53:29.205511
- Title: Tractable Probabilistic Graph Representation Learning with Graph-Induced
Sum-Product Networks
- Title(参考訳): グラフ誘起和生成ネットワークを用いた確率的グラフ表現学習
- Authors: Federico Errica, Mathias Niepert
- Abstract要約: グラフ表現学習のための新しい確率的フレームワークであるグラフ誘導Sum-Product Networks (GSPNs)を紹介する。
このモデルが持つ競争力は,不足するデータの下での監視シナリオの不足や,一般的なニューラルモデルと比較したグラフ分類に代表される。
- 参考スコア(独自算出の注目度): 25.132159381873656
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We introduce Graph-Induced Sum-Product Networks (GSPNs), a new probabilistic
framework for graph representation learning that can tractably answer
probabilistic queries. Inspired by the computational trees induced by vertices
in the context of message-passing neural networks, we build hierarchies of
sum-product networks (SPNs) where the parameters of a parent SPN are learnable
transformations of the a-posterior mixing probabilities of its children's sum
units. Due to weight sharing and the tree-shaped computation graphs of GSPNs,
we obtain the efficiency and efficacy of deep graph networks with the
additional advantages of a probabilistic model. We show the model's
competitiveness on scarce supervision scenarios, under missing data, and for
graph classification in comparison to popular neural models. We complement the
experiments with qualitative analyses on hyper-parameters and the model's
ability to answer probabilistic queries.
- Abstract(参考訳): 本稿では,グラフ表現学習のための確率的フレームワークであるgspns(graph-induced sum-product network)を提案する。
メッセージパッシングニューラルネットワークの文脈において頂点によって誘導される計算木にインスパイアされた我々は、親SPNのパラメータが子供の和単位の後方混合確率の学習可能な変換である和積ネットワーク(SPN)の階層を構築する。
重み共有とGSPNのツリー形状の計算グラフにより、確率モデルのさらなる利点を生かしたディープグラフネットワークの有効性と有効性が得られる。
このモデルが持つ競争力は,不足するデータの下での監視シナリオの不足や,一般的なニューラルモデルと比較したグラフ分類に代表される。
実験は超パラメータの定性解析と確率的クエリに答えるモデルの能力で補完する。
関連論文リスト
- Deep Graph Neural Networks via Flexible Subgraph Aggregation [50.034313206471694]
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から学習し、近隣情報を集約することでノードの表現を学ぶ。
本稿では,サブグラフアグリゲーションの観点から,GNNの表現力を評価する。
サブグラフアグリゲーションの異なるホップをより柔軟に活用できるサンプリングベースノードレベル残余モジュール(SNR)を提案する。
論文 参考訳(メタデータ) (2023-05-09T12:03:42Z) - Spiking Graph Convolutional Networks [19.36064180392385]
SpikingGCNは、GCNの埋め込みとSNNの生体忠実性特性を統合することを目的としたエンドツーエンドフレームワークである。
ニューロモルフィックチップ上でのスパイキングGCNは、グラフデータ解析にエネルギー効率の明確な利点をもたらすことを示す。
論文 参考訳(メタデータ) (2022-05-05T16:44:36Z) - ExSpliNet: An interpretable and expressive spline-based neural network [0.3867363075280544]
本稿では,解釈可能な表現型ニューラルネットワークモデルであるExSpliNetを提案する。
我々はモデルを確率論的に解釈し、その普遍近似特性を示す。
論文 参考訳(メタデータ) (2022-05-03T14:06:36Z) - Inference Graphs for CNN Interpretation [12.765543440576144]
畳み込みニューラルネットワーク(CNN)は多くの視覚関連タスクにおいて優れた精度を実現している。
本稿では,確率モデルを用いたネットワーク隠蔽層の活動のモデル化を提案する。
このようなグラフは、クラス全体の推論プロセスの理解や、ネットワークが特定の画像に対して行う決定を説明するのに有用であることを示す。
論文 参考訳(メタデータ) (2021-10-20T13:56:09Z) - Capsule Graph Neural Networks with EM Routing [8.632437524560133]
本稿では、EMルーティング機構(CapsGNNEM)を用いて、高品質なグラフ埋め込みを生成する新しいCapsule Graph Neural Networkを提案する。
多くの実世界のグラフデータセットに対する実験結果から、提案したCapsGNNEMはグラフ分類タスクにおいて9つの最先端モデルより優れていることが示された。
論文 参考訳(メタデータ) (2021-10-18T06:23:37Z) - Explicit Pairwise Factorized Graph Neural Network for Semi-Supervised
Node Classification [59.06717774425588]
本稿では,グラフ全体を部分的に観測されたマルコフ確率場としてモデル化するEPFGNN(Explicit Pairwise Factorized Graph Neural Network)を提案する。
出力-出力関係をモデル化するための明示的なペアワイズ要素を含み、入力-出力関係をモデル化するためにGNNバックボーンを使用する。
本研究では,グラフ上での半教師付きノード分類の性能を効果的に向上できることを示す。
論文 参考訳(メタデータ) (2021-07-27T19:47:53Z) - GraphSVX: Shapley Value Explanations for Graph Neural Networks [81.83769974301995]
グラフニューラルネットワーク(GNN)は、幾何データに基づく様々な学習タスクにおいて大きな性能を発揮する。
本稿では,既存のGNN解説者の多くが満足する統一フレームワークを提案する。
GNN用に特別に設計されたポストホックローカルモデル非依存説明法であるGraphSVXを紹介します。
論文 参考訳(メタデータ) (2021-04-18T10:40:37Z) - Probabilistic Graph Attention Network with Conditional Kernels for
Pixel-Wise Prediction [158.88345945211185]
本稿では,画素レベルの予測を基本的側面,すなわち,技術の現状を推し進める新たなアプローチを提案する。
構造化されたマルチスケール機能学習と融合。
本論文では,マルチスケール表現を原理的に学習・融合するための新しいアテンテンションゲート条件ランダムフィールド(AG-CRFs)モデルに基づく確率的グラフアテンションネットワーク構造を提案する。
論文 参考訳(メタデータ) (2021-01-08T04:14:29Z) - A Unified View on Graph Neural Networks as Graph Signal Denoising [49.980783124401555]
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学習表現において顕著に普及している。
本研究では,代表的GNNモデル群における集約過程を,グラフ記述問題の解法とみなすことができることを数学的に確立する。
UGNNから派生した新しいGNNモデルADA-UGNNをインスタンス化し、ノード間の適応的滑らかさでグラフを処理する。
論文 参考訳(メタデータ) (2020-10-05T04:57:18Z) - Sum-product networks: A survey [0.0]
和積ネットワーク(英: sum-product network、SPN)は、根付き非巡回有向グラフに基づく確率モデルである。
本稿では、SPNの定義、データからの推論と学習のための主要なアルゴリズム、メインアプリケーション、ソフトウェアライブラリの簡単なレビュー、関連するモデルとの比較などについて調査する。
論文 参考訳(メタデータ) (2020-04-02T17:46:29Z) - Block-Approximated Exponential Random Graphs [77.4792558024487]
指数乱グラフ(ERG)の分野における重要な課題は、大きなグラフ上の非自明なERGの適合である。
本稿では,非自明なERGに対する近似フレームワークを提案する。
我々の手法は、数百万のノードからなるスパースグラフにスケーラブルである。
論文 参考訳(メタデータ) (2020-02-14T11:42:16Z)
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。