論文の概要: GRAFENNE: Learning on Graphs with Heterogeneous and Dynamic Feature Sets
- arxiv url: http://arxiv.org/abs/2306.03447v1
- Date: Tue, 6 Jun 2023 07:00:24 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-07 16:54:06.936786
- Title: GRAFENNE: Learning on Graphs with Heterogeneous and Dynamic Feature Sets
- Title（参考訳）: GRAFENNE:不均一で動的な特徴セットを持つグラフの学習
- Authors: Shubham Gupta, Sahil Manchanda, Sayan Ranu, Srikanta Bedathur
- Abstract要約: グラフニューラルネットワーク(GNN)は、グラフの各ノードを特徴付ける静的な特徴セットの仮定に基づいて構築される。
本稿では,GRAFENNE と呼ばれる新しい GNN フレームワークを用いて,制約に対処する。
Wesfeiler-Leman テストでは,GRAFENNE が既存のメッセージパス GNN よりも少なくとも表現力が高いことが証明されている。
- 参考スコア（独自算出の注目度）: 19.71442902979904
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Graph neural networks (GNNs), in general, are built on the assumption of a
static set of features characterizing each node in a graph. This assumption is
often violated in practice. Existing methods partly address this issue through
feature imputation. However, these techniques (i) assume uniformity of feature
set across nodes, (ii) are transductive by nature, and (iii) fail to work when
features are added or removed over time. In this work, we address these
limitations through a novel GNN framework called GRAFENNE. GRAFENNE performs a
novel allotropic transformation on the original graph, wherein the nodes and
features are decoupled through a bipartite encoding. Through a carefully chosen
message passing framework on the allotropic transformation, we make the model
parameter size independent of the number of features and thereby inductive to
both unseen nodes and features. We prove that GRAFENNE is at least as
expressive as any of the existing message-passing GNNs in terms of
Weisfeiler-Leman tests, and therefore, the additional inductivity to unseen
features does not come at the cost of expressivity. In addition, as
demonstrated over four real-world graphs, GRAFENNE empowers the underlying GNN
with high empirical efficacy and the ability to learn in continual fashion over
streaming feature sets.
- Abstract（参考訳）: グラフニューラルネットワーク(gnns)は一般的に、グラフの各ノードを特徴付ける静的な特徴の集合の仮定に基づいて構築される。
この仮定は実際にはしばしば破られる。
既存のメソッドはフィーチャーインプテーションを通じてこの問題に部分的に対処している。
しかし これらの技術は
(i)ノード間の特徴集合の均一性を仮定する。
(ii)自然に受け継がれており、
(iii)機能の追加や削除が時間とともに行われると機能しない。
本稿では,GRAFENNEと呼ばれる新しいGNNフレームワークを用いて,これらの制約に対処する。
GRAFENNEは元のグラフに新しい同型変換を行い、ノードと特徴は二部体エンコーディングによって分離される。
アロトロピック変換に関する慎重に選択されたメッセージパッシングフレームワークを通じて、モデルパラメータのサイズを特徴数とは無関係にし、その結果、未知のノードと特徴の両方に誘導する。
Wesfeiler-Leman テストでは,GRAFENNE が既存のメッセージパス GNN よりも少なくとも表現力があることが証明されている。
さらに、4つの実世界のグラフで示されるように、GRAFENNEは、基礎となるGNNを、経験的有効性と、ストリーミング機能セットよりも継続的な方法で学習する能力で強化する。
関連論文リスト
- Graph neural networks and non-commuting operators [4.912318087940015]
我々は,グラフトン・タプルニューラルネットワークの極限理論を開発し,それを普遍的な伝達可能性定理の証明に利用する。
我々の理論的結果は、GNNのよく知られた移動可能性定理を、複数の同時グラフの場合にまで拡張する。
得られたモデルの安定性を確実に実施する訓練手順を導出する。
論文 参考訳（メタデータ） (2024-11-06T21:17:14Z) - Contextualized Messages Boost Graph Representations [1.5178009359320295]
本稿では,グラフネットワーク(GNN)がグラフとして表現される可能性のあるデータを処理する能力について検討する。
これは、すべてのレベルの能力について調査されているGNNはごくわずかであることを示している。
SIRGCNと広く使われているGNNの関係を数学的に議論し、コントリビューションを文脈に組み込む。
論文 参考訳（メタデータ） (2024-03-19T08:05:49Z) - TouchUp-G: Improving Feature Representation through Graph-Centric
Finetuning [37.318961625795204]
グラフニューラルネットワーク(GNN)は、多くのハイインパクトな実世界のグラフアプリケーションにおいて最先端のアプローチとなっている。
機能豊富なグラフでは、PMを直接利用して機能を生成するのが一般的である。
PMから抽出されたノード特徴がグラフに依存しず、GNNがグラフ構造とノード特徴の間の潜在的な相関を十分に活用できないため、このプラクティスは準最適である。
論文 参考訳（メタデータ） (2023-09-25T05:44:40Z) - Break the Wall Between Homophily and Heterophily for Graph
Representation Learning [25.445073413243925]
ホモフィリーとヘテロフィリーは、2つの連結ノードが同様の性質を持つかどうかを記述するグラフの固有の性質である。
本研究は, グラフ表現学習に不可欠なエゴノード特徴, 集約ノード特徴, グラフ構造特徴を含む3つのグラフ特徴を同定する。
OGNNと呼ばれる新しいGNNモデルを提案し、3つのグラフの特徴を全て抽出し、それらを適応的に融合させ、ホモフィリーのスペクトル全体にわたって一般化する。
論文 参考訳（メタデータ） (2022-10-08T19:37:03Z) - The Exact Class of Graph Functions Generated by Graph Neural Networks [43.25172578943894]
グラフ関数と出力が同一のグラフニューラルネットワーク(GNN)?
本稿では,この疑問に完全に答え,GNNで表現可能なグラフ問題のクラスを特徴付ける。
この条件は2次的に多くの制約をチェックすることで効率よく検証できることを示す。
論文 参考訳（メタデータ） (2022-02-17T18:54:27Z) - Graph-adaptive Rectified Linear Unit for Graph Neural Networks [64.92221119723048]
グラフニューラルネットワーク(GNN)は、従来の畳み込みを非ユークリッドデータでの学習に拡張することで、目覚ましい成功を収めた。
本稿では,周辺情報を利用した新しいパラメトリックアクティベーション機能であるグラフ適応整流線形ユニット(GRELU)を提案する。
我々は,GNNのバックボーンと様々な下流タスクによって,プラグアンドプレイGRELU法が効率的かつ効果的であることを示す包括的実験を行った。
論文 参考訳（メタデータ） (2022-02-13T10:54:59Z) - Uniting Heterogeneity, Inductiveness, and Efficiency for Graph
Representation Learning [68.97378785686723]
グラフニューラルネットワーク(GNN)は,グラフ上のノード表現学習の性能を大幅に向上させた。
GNNの過半数クラスは均質グラフのためにのみ設計されており、より有益な異種グラフに劣る適応性をもたらす。
本稿では,低次ノードと高次ノードの両方のエッジに付随するヘテロジニアスなノード特徴をパッケージ化する,新しい帰納的メタパスフリーメッセージパッシング方式を提案する。
論文 参考訳（メタデータ） (2021-04-04T23:31:39Z) - My Body is a Cage: the Role of Morphology in Graph-Based Incompatible
Control [65.77164390203396]
本稿では,グラフにエンコードされた形態情報により,その性能が向上しないことを示す既存手法に関する一連のアブリケーションを示す。
グラフ構造からGNNが抽出した利益は、メッセージパッシングのために生じる困難によって上回っているという仮説により、Amorpheusも提案する。
論文 参考訳（メタデータ） (2020-10-05T08:37:11Z) - 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) - CatGCN: Graph Convolutional Networks with Categorical Node Features [99.555850712725]
CatGCNはグラフ学習に適したノード機能である。
エンドツーエンドでCatGCNを訓練し、半教師付きノード分類でそれを実証する。
論文 参考訳（メタデータ） (2020-09-11T09:25:17Z) - Permutation-equivariant and Proximity-aware Graph Neural Networks with
Stochastic Message Passing [88.30867628592112]
グラフニューラルネットワーク(GNN)は、グラフ上の新たな機械学習モデルである。
置換等価性と近接認識性は、GNNにとって非常に望ましい2つの重要な特性である。
既存のGNNは、主にメッセージパッシング機構に基づいており、同時に2つの特性を保存できないことを示す。
ノードの近さを保つため,既存のGNNをノード表現で拡張する。
論文 参考訳（メタデータ） (2020-09-05T16:46:56Z)
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。