論文の概要: Graph Classification Gaussian Processes via Spectral Features

• arxiv url: http://arxiv.org/abs/2306.03770v1
• Date: Tue, 6 Jun 2023 15:31:05 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-07 14:43:37.513346
• Title: Graph Classification Gaussian Processes via Spectral Features
• Title（参考訳）: スペクトル特徴によるガウス過程のグラフ分類
• Authors: Felix L. Opolka, Yin-Cong Zhi, Pietro Li\`o, Xiaowen Dong
• Abstract要約: グラフ分類は、その構造とノード属性に基づいてグラフを分類することを目的としている。 本研究では,スペクトル特徴を導出するグラフ信号処理ツールを用いて,この課題に取り組むことを提案する。 このような単純なアプローチであっても、学習されたパラメータがなくても、強力なニューラルネットワークやグラフカーネルのベースラインと比較して、競争力のあるパフォーマンスが得られることを示す。
• 参考スコア（独自算出の注目度）: 7.474662887810221
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graph classification aims to categorise graphs based on their structure and node attributes. In this work, we propose to tackle this task using tools from graph signal processing by deriving spectral features, which we then use to design two variants of Gaussian process models for graph classification. The first variant uses spectral features based on the distribution of energy of a node feature signal over the spectrum of the graph. We show that even such a simple approach, having no learned parameters, can yield competitive performance compared to strong neural network and graph kernel baselines. A second, more sophisticated variant is designed to capture multi-scale and localised patterns in the graph by learning spectral graph wavelet filters, obtaining improved performance on synthetic and real-world data sets. Finally, we show that both models produce well calibrated uncertainty estimates, enabling reliable decision making based on the model predictions.
• Abstract（参考訳）: グラフ分類は、その構造とノード属性に基づいてグラフを分類することを目的としている。 本研究では、スペクトル特徴を導出してグラフ信号処理のツールを用いてこの問題に対処し、グラフ分類のためのガウス過程モデルの2つの変種を設計する。 第1の変種は、グラフのスペクトル上のノード特徴信号のエネルギー分布に基づくスペクトル特徴を用いる。 このような単純なアプローチであっても、学習パラメータを持たない場合、強力なニューラルネットワークやグラフカーネルベースラインに比べて、競争力の高いパフォーマンスが得られる。 2つ目は、スペクトルグラフウェーブレットフィルタを学習することで、グラフ内のマルチスケールおよびローカライズされたパターンをキャプチャし、合成および実世界のデータセットの性能を改善することである。 最後に,両モデルとも十分に校正された不確実性推定を行い,モデル予測に基づく信頼性の高い意思決定を可能にすることを示す。

関連論文リスト

• GSpect: Spectral Filtering for Cross-Scale Graph Classification [9.800723513820046]
  クロススケールグラフ分類タスクのための高度なスペクトルグラフフィルタリングモデルであるGSpectを提案する。 オープンデータセットでは、GSpectは分類精度を平均1.62%改善し、ProteINSでは最大3.33%向上した。 GSpectは、クロススケールグラフ分類研究のギャップを埋め、脳疾患の診断のような応用研究を支援する可能性がある。
  論文  参考訳（メタデータ） (2024-08-31T03:26:32Z)
• Spectral Augmentations for Graph Contrastive Learning [50.149996923976836]
  コントラスト学習は、監督の有無にかかわらず、表現を学習するための第一の方法として現れてきた。 近年の研究では、グラフ表現学習における事前学習の有用性が示されている。 本稿では,グラフの対照的な目的に対する拡張を構築する際に,候補のバンクを提供するためのグラフ変換操作を提案する。
  論文  参考訳（メタデータ） (2023-02-06T16:26:29Z)
• GrannGAN: Graph annotation generative adversarial networks [72.66289932625742]
  本稿では,高次元分布をモデル化し,グラフスケルトンと整合した複雑な関係特徴構造を持つデータの新しい例を生成することの問題点を考察する。 提案するモデルは,タスクを2つのフェーズに分割することで,各データポイントのグラフ構造に制約されたデータ特徴を生成する問題に対処する。 第一に、与えられたグラフのノードに関連する機能の分布をモデル化し、第二に、ノードのフィーチャに条件付きでエッジ機能を補完する。
  論文  参考訳（メタデータ） (2022-12-01T11:49:07Z)
• 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)
• Adaptive Gaussian Processes on Graphs via Spectral Graph Wavelets [3.2498534294827044]
  本稿では,異なるスケールで情報を集約できるスペクトルグラフウェーブレットを用いたプロセスモデルを提案する。 グラフスペクトルの高密度領域における低近似誤差を求めるフィルタ関数のスペクトル適応近似を用いて,より大きなグラフに対するスケーラビリティを実現する。
  論文  参考訳（メタデータ） (2021-10-25T09:25:04Z)
• 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)
• Line Graph Neural Networks for Link Prediction [71.00689542259052]
  実世界の多くのアプリケーションにおいて古典的なグラフ解析問題であるグラフリンク予測タスクについて検討する。 このフォーマリズムでは、リンク予測問題をグラフ分類タスクに変換する。 本稿では,線グラフをグラフ理論に用いて,根本的に異なる新しい経路を求めることを提案する。 特に、線グラフの各ノードは、元のグラフのユニークなエッジに対応するため、元のグラフのリンク予測問題は、グラフ分類タスクではなく、対応する線グラフのノード分類問題として等価に解決できる。
  論文  参考訳（メタデータ） (2020-10-20T05:54:31Z)
• Graph Pooling with Node Proximity for Hierarchical Representation Learning [80.62181998314547]
  本稿では,ノード近接を利用したグラフプーリング手法を提案し,そのマルチホップトポロジを用いたグラフデータの階層的表現学習を改善する。 その結果,提案したグラフプーリング戦略は,公開グラフ分類ベンチマークデータセットの集合において,最先端のパフォーマンスを達成できることが示唆された。
  論文  参考訳（メタデータ） (2020-06-19T13:09:44Z)
• Gaussian Processes on Graphs via Spectral Kernel Learning [9.260186030255081]
  グラフのノード上で定義された信号の予測のためのグラフスペクトルに基づくガウス過程を提案する。 合成実験におけるモデルの解釈可能性を示し、様々な基底真理スペクトルフィルタを精度良く回収できることを示す。
  論文  参考訳（メタデータ） (2020-06-12T17:51:22Z)
• 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。