論文の概要: Spectral Heterogeneous Graph Convolutions via Positive Noncommutative
Polynomials
- arxiv url: http://arxiv.org/abs/2305.19872v1
- Date: Wed, 31 May 2023 14:09:42 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-01 16:10:42.240141
- Title: Spectral Heterogeneous Graph Convolutions via Positive Noncommutative
Polynomials
- Title(参考訳): 正の非可換多項式によるスペクトル不均一グラフ畳み込み
- Authors: Mingguo He, Zhewei Wei, Shikun Feng, Zhengjie Huang, Weibin Li, Yu
Sun, Dianhai Yu
- Abstract要約: 正の非可換空間に基づく新しい異種畳み込みネットワークであるPSHGCNを提案する。
PSHGCNは、多種多様な異種グラフ畳み込みを学習し、ノード分類タスクにおいて優れた性能を達成することができる。
- 参考スコア(独自算出の注目度): 25.980101817751937
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Heterogeneous Graph Neural Networks (HGNNs) have gained significant
popularity in various heterogeneous graph learning tasks. However, most HGNNs
rely on spatial domain-based message passing and attention modules for
information propagation and aggregation. These spatial-based HGNNs neglect the
utilization of spectral graph convolutions, which are the foundation of Graph
Convolutional Networks (GCN) on homogeneous graphs. Inspired by the
effectiveness and scalability of spectral-based GNNs on homogeneous graphs,
this paper explores the extension of spectral-based GNNs to heterogeneous
graphs. We propose PSHGCN, a novel heterogeneous convolutional network based on
positive noncommutative polynomials. PSHGCN provides a simple yet effective
approach for learning spectral graph convolutions on heterogeneous graphs.
Moreover, we demonstrate the rationale of PSHGCN in graph optimization. We
conducted an extensive experimental study to show that PSHGCN can learn diverse
spectral heterogeneous graph convolutions and achieve superior performance in
node classification tasks. Our code is available at
https://github.com/ivam-he/PSHGCN.
- Abstract(参考訳): 不均一グラフニューラルネットワーク(HGNN)は、様々な異種グラフ学習タスクで大きな人気を得ている。
しかし、ほとんどのHGNNは情報伝達と集約のために空間領域ベースのメッセージパッシングとアテンションモジュールに依存している。
これらの空間ベースHGNNは、均一グラフ上のグラフ畳み込みネットワーク(GCN)の基礎であるスペクトルグラフ畳み込みの利用を無視する。
均一グラフ上でのスペクトルベースGNNの有効性と拡張性から着想を得て,スペクトルベースGNNの異種グラフへの拡張について検討する。
正の非可換多項式に基づく新しい異種畳み込みネットワークであるPSHGCNを提案する。
PSHGCNは、ヘテロジニアスグラフ上のスペクトルグラフ畳み込みを学習するための単純かつ効果的なアプローチを提供する。
さらに,グラフ最適化におけるPSHGCNの理論的根拠を示す。
我々は、PSHGCNが多種多様な異種グラフ畳み込みを学習し、ノード分類タスクにおいて優れた性能が得られることを示すために、広範な実験を行った。
私たちのコードはhttps://github.com/ivam-he/pshgcnで利用可能です。
関連論文リスト
- Graph Condensation via Eigenbasis Matching [48.99164820872498]
グラフ凝縮は、実際の大きなグラフをはるかに小さな合成グラフで置き換えることを目的としている。
既存のGCメソッドは、一般化が貧弱なため、同じ合成グラフ上で訓練された異なるGNNは明らかに性能差がある。
本稿では、2つの重要なステップを持つGCEMと呼ばれるスペクトルフリーグラフ凝縮に対する固有基底マッチングを提案する。
論文 参考訳(メタデータ) (2023-10-13T15:48:12Z) - Seq-HGNN: Learning Sequential Node Representation on Heterogeneous Graph [57.2953563124339]
本稿では,シーケンシャルノード表現,すなわちSeq-HGNNを用いた新しい異種グラフニューラルネットワークを提案する。
Heterogeneous Graph Benchmark (HGB) と Open Graph Benchmark (OGB) の4つの広く使われているデータセットについて広範な実験を行った。
論文 参考訳(メタデータ) (2023-05-18T07:27:18Z) - A Spectral Analysis of Graph Neural Networks on Dense and Sparse Graphs [13.954735096637298]
そこで我々は,グラフスペクトルの空間分布がグラフスペクトルに与える影響を解析し,グラフニューラルネットワーク(GNN)の高密度グラフとスパースグラフのノード分類における性能について検討した。
GNNはスパースグラフのスペクトル法よりも優れており、これらの結果を合成グラフと実グラフの両方で数値例で示すことができる。
論文 参考訳(メタデータ) (2022-11-06T22:38:13Z) - Relation Embedding based Graph Neural Networks for Handling
Heterogeneous Graph [58.99478502486377]
我々は、同種GNNが不均一グラフを扱うのに十分な能力を持つように、シンプルで効率的なフレームワークを提案する。
具体的には、エッジ型関係と自己ループ接続の重要性を埋め込むために、関係1つのパラメータのみを使用する関係埋め込みベースのグラフニューラルネットワーク(RE-GNN)を提案する。
論文 参考訳(メタデータ) (2022-09-23T05:24:18Z) - How Powerful are Spectral Graph Neural Networks [9.594432031144715]
スペクトルグラフニューラルネットワーク(Spectral Graph Neural Network)は、グラフ信号フィルタに基づくグラフニューラルネットワークの一種である。
まず、非線形性のないスペクトルGNNでさえ任意のグラフ信号を生成することを証明した。
また、スペクトルGNNの表現力とグラフアイソモーフィズム(GI)テストの関連性を確立する。
論文 参考訳(メタデータ) (2022-05-23T10:22:12Z) - Graph Neural Networks for Graphs with Heterophily: A Survey [98.45621222357397]
異種グラフに対するグラフニューラルネットワーク(GNN)の総合的なレビューを提供する。
具体的には,既存の異好性GNNモデルを本質的に支配する系統分類法を提案する。
グラフヘテロフィリーと様々なグラフ研究領域の相関を議論し、より効果的なGNNの開発を促進することを目的とした。
論文 参考訳(メタデータ) (2022-02-14T23:07:47Z) - Quasi-Framelets: Another Improvement to GraphNeural Networks [29.689868950666117]
スペクトルグラフニューラルネットワーク(GNN)は、スペクトル領域に様々なスペクトルフィルタを提案し、グローバルグラフ構造情報とローカルグラフ構造情報の両方をキャプチャすることで、グラフ学習タスクのパフォーマンスを向上させる。
我々の新しいフレームレット畳み込みは、これらの制限を克服するためにスペクトル領域で直接設計されたフィルタファンクオプションを組み込んでいる。
提案した畳み込みはスペクトル情報の遮断に優れた柔軟性を示し,ノイズグラフ信号の負の効果を効果的に緩和する。
論文 参考訳(メタデータ) (2022-01-11T00:10:28Z) - Pointspectrum: Equivariance Meets Laplacian Filtering for Graph
Representation Learning [3.7875603451557063]
グラフ表現学習(GRL)は、現代のグラフデータマイニングおよび学習タスクに欠かせないものとなっている。
グラフニューラルネットワーク(GNN)は最先端のGRLアーキテクチャで使用されているが、過度なスムース化に悩まされていることが示されている。
本稿では,グラフの構造を考慮に入れたスペクトル法であるPointSpectrumを提案する。
論文 参考訳(メタデータ) (2021-09-06T10:59:11Z) - Spectral-Spatial Global Graph Reasoning for Hyperspectral Image
Classification [50.899576891296235]
畳み込みニューラルネットワークは、ハイパースペクトル画像分類に広く応用されている。
近年の手法は空間トポロジのグラフ畳み込みによってこの問題に対処しようとしている。
論文 参考訳(メタデータ) (2021-06-26T06:24:51Z) - Graphon Pooling in Graph Neural Networks [169.09536309161314]
グラフニューラルネットワーク(GNN)は、グラフによってモデル化された不規則構造上の信号の処理を含む様々なアプリケーションで効果的に使用されている。
本稿では,グラフのスペクトル特性を保存したグラフオンを用いて,GNNのプールとサンプリングを行う新しい手法を提案する。
論文 参考訳(メタデータ) (2020-03-03T21:04:20Z)
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。