論文の概要: LIC-GAN: Language Information Conditioned Graph Generative GAN Model

• arxiv url: http://arxiv.org/abs/2306.01937v1
• Date: Fri, 2 Jun 2023 22:39:14 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-06 21:24:16.183037
• Title: LIC-GAN: Language Information Conditioned Graph Generative GAN Model
• Title（参考訳）: lic-GAN:言語情報条件付きグラフ生成GANモデル
• Authors: Robert Lo, Arnhav Datar, Abishek Sridhar
• Abstract要約: 我々は,高額なグラフマッチング処理の必要性を回避するために,小グラフに対する暗黙的,可能性のない生成モデルであるlic-GANを導入する。 提案手法は,自然言語クエリを入力として,言語モデリングとGAN(Generative Adversarial Networks)の組み合わせを用いて,クエリの記述と密接に一致するグラフを返す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Deep generative models for Natural Language data offer a new angle on the problem of graph synthesis: by optimizing differentiable models that directly generate graphs, it is possible to side-step expensive search procedures in the discrete and vast space of possible graphs. We introduce LIC-GAN, an implicit, likelihood-free generative model for small graphs that circumvents the need for expensive graph matching procedures. Our method takes as input a natural language query and using a combination of language modelling and Generative Adversarial Networks (GANs) and returns a graph that closely matches the description of the query. We combine our approach with a reward network to further enhance the graph generation with desired properties. Our experiments, show that LIC-GAN does well on metrics such as PropMatch and Closeness getting scores of 0.36 and 0.48. We also show that LIC-GAN performs as good as ChatGPT, with ChatGPT getting scores of 0.40 and 0.42. We also conduct a few experiments to demonstrate the robustness of our method, while also highlighting a few interesting caveats of the model.
• Abstract（参考訳）: グラフを直接生成する微分可能なモデルを最適化することで、可能なグラフの離散的かつ広大な空間において、高価な探索手順をサイドステップで進めることができる。 コストのかかるグラフマッチング手順を回避し,小さなグラフに対して,暗黙的かつ可能性のない生成モデルであるlic-ganを導入する。 本手法は,自然言語クエリを入力として,言語モデリングとGAN(Generative Adversarial Networks)の組み合わせを用いて,クエリの記述と密接に一致するグラフを返す。 提案手法を報奨ネットワークと組み合わせて,所望の特性を持つグラフ生成をさらに強化する。 実験の結果, lic-GAN は PropMatch や Closeness などの指標で0.36 と 0.48 のスコアを得ることができた。 また, lic-GAN は ChatGPT と同等の性能を示し, ChatGPT は 0.40 と 0.42 のスコアを得た。 また,本手法のロバスト性を示すために,いくつかの実験を行った。

関連論文リスト

• Parameter-Efficient Tuning Large Language Models for Graph Representation Learning [62.26278815157628]
  Graph-awareを導入します。 GPEFT - グラフ表現学習のための新しい手法。 グラフニューラルネットワーク(GNN)を用いて、隣接するノードからグラフプロンプトに構造情報をエンコードする。 我々は8つの異なるテキストリッチグラフで実施した総合的な実験を通じて,リンク予測評価において hit@1 と Mean Reciprocal Rank (MRR) の平均 2% の改善を観察し,本手法の有効性を検証した。
  論文  参考訳（メタデータ） (2024-04-28T18:36:59Z)
• G-Retriever: Retrieval-Augmented Generation for Textual Graph Understanding and Question Answering [61.93058781222079]
  現実のテキストグラフを対象とするフレキシブルな問合せフレームワークを開発した。 一般のテキストグラフに対する最初の検索拡張生成(RAG)手法を提案する。 G-Retrieverは、このタスクをSteiner Tree最適化問題として定式化し、グラフ上でRAGを実行する。
  論文  参考訳（メタデータ） (2024-02-12T13:13:04Z)
• MGNet: Learning Correspondences via Multiple Graphs [78.0117352211091]
  学習対応は、不均一な対応分布と低い不整合率で設定された初期対応から正しい対応を見つけることを目的としている。 最近の進歩は、通常、グラフニューラルネットワーク(GNN)を使用して単一のタイプのグラフを構築したり、グローバルなグラフに局所グラフをスタックしてタスクを完了させる。 本稿では,複数の補完グラフを効果的に組み合わせるためのMGNetを提案する。
  論文  参考訳（メタデータ） (2024-01-10T07:58:44Z)
• LUKE-Graph: A Transformer-based Approach with Gated Relational Graph Attention for Cloze-style Reading Comprehension [13.173307471333619]
  本稿では,文書内のエンティティ間の直感的な関係に基づく異種グラフ構築モデルLUKE-Graphを提案する。 次に、アテンション読み込み(RGAT)を用いて、事前学習したLUKEモデルによって符号化されたグラフの推論情報と文脈表現を融合する。 実験結果から,LUKE-Graphはコモンセンス推論による最先端性能を実現することが示された。
  論文  参考訳（メタデータ） (2023-03-12T14:31:44Z)
• Graph Generative Model for Benchmarking Graph Neural Networks [73.11514658000547]
  本稿では,プライバシ制御により実世界のグラフの分布を学習し,再現する新しいグラフ生成モデルを提案する。 我々のモデルは、GNNモデルのベンチマークに効果的に使用できる大規模な実世界のグラフの、プライバシ制御された合成代用をうまく生成することができる。
  論文  参考訳（メタデータ） (2022-07-10T06:42:02Z)
• MetaGL: Evaluation-Free Selection of Graph Learning Models via Meta-Learning [17.70842402755857]
  評価自由グラフ学習モデル選択のためのメタ学習手法MetaGLを開発した。 様々なグラフにまたがる類似性を定量化するために,特殊メタグラフ機能を導入する。 そして、グラフとモデル間の関係を表すG-Mネットワークを設計し、グラフベースのメタラーナーを開発する。
  論文  参考訳（メタデータ） (2022-06-18T20:43:38Z)
• A Graph-Enhanced Click Model for Web Search [67.27218481132185]
  ウェブ検索のための新しいグラフ強調クリックモデル(GraphCM)を提案する。 セッション内情報とセッション間情報の両方を、スパーシリティ問題とコールドスタート問題に活用する。
  論文  参考訳（メタデータ） (2022-06-17T08:32:43Z)
• Stochastic Iterative Graph Matching [11.128153575173213]
  本稿では,グラフマッチング問題に対処する新しいモデルであるIterative Graph MAtchingを提案する。 我々のモデルはグラフ対のマッチングの分布を定義し、モデルが様々な可能なマッチングを探索できるようにする。 我々は、生化学やコンピュータビジョンの応用と同様に、合成グラフデータセットにまたがる広範な実験を行う。
  論文  参考訳（メタデータ） (2021-06-04T02:05:35Z)
• A Robust and Generalized Framework for Adversarial Graph Embedding [73.37228022428663]
  本稿では,AGE という逆グラフ埋め込みのための頑健なフレームワークを提案する。 AGEは、暗黙の分布から強化された負のサンプルとして偽の隣接ノードを生成する。 本フレームワークでは,3種類のグラフデータを扱う3つのモデルを提案する。
  論文  参考訳（メタデータ） (2021-05-22T07:05:48Z)
• SHADOWCAST: Controllable Graph Generation [28.839854765853953]
  生成過程におけるグラフ属性の制御として定式化された制御可能なグラフ生成問題を導入し,所望のグラフを生成する。 この生成プロセスを導くために透明で直接的なマルコフモデルを使用することで、実践者は生成されたグラフを形作り、理解することができる。 グラフ構造が異なる仮説シナリオを生成するために,$rm S Small HADOWCsmall AST$を指示することで,その効果的な制御性を示す。
  論文  参考訳（メタデータ） (2020-06-06T03:43:19Z)

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。