論文の概要: Kriging Convolutional Networks

• arxiv url: http://arxiv.org/abs/2306.09463v1
• Date: Thu, 15 Jun 2023 19:34:14 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-19 16:10:23.345345
• Title: Kriging Convolutional Networks
• Title（参考訳）: 進化的ネットワークの強化
• Authors: Gabriel Appleby, Linfeng Liu, Li-Ping Liu
• Abstract要約: グラフ畳み込みネットワーク(GCN)とクリギング(Kriging)の利点を組み合わせたKCN(Kriging Convolutional Networks)を紹介する。 標準的なGCNと比較して、KCNは予測を生成する際に近隣の観測を直接利用する。 このモデルはいくつかのアプリケーションにおいてGCNやKrigingよりも優れていることを示す。
• 参考スコア（独自算出の注目度）: 7.544938888533432
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Spatial interpolation is a class of estimation problems where locations with known values are used to estimate values at other locations, with an emphasis on harnessing spatial locality and trends. Traditional Kriging methods have strong Gaussian assumptions, and as a result, often fail to capture complexities within the data. Inspired by the recent progress of graph neural networks, we introduce Kriging Convolutional Networks (KCN), a method of combining the advantages of Graph Convolutional Networks (GCN) and Kriging. Compared to standard GCNs, KCNs make direct use of neighboring observations when generating predictions. KCNs also contain the Kriging method as a specific configuration. We further improve the model's performance by adding attention. Empirically, we show that this model outperforms GCNs and Kriging in several applications. The implementation of KCN using PyTorch is publicized at the GitHub repository: https://github.com/tufts-ml/kcn-torch.
• Abstract（参考訳）: 空間補間 (spatial interpolation) は、空間的局所性とトレンドの活用に重点を置き、既知の値を持つ場所を他の場所での値推定に利用する推定問題のクラスである。 伝統的なクリッピング法はガウスの仮定が強く、結果として、しばしばデータ内の複雑さを捉えることができない。 近年のグラフニューラルネットワークの進展に触発されて,グラフ畳み込みネットワーク(gcn)とkrigingを組み合わせる手法であるkriging convolutional networks(kcn)を導入した。 標準的なGCNと比較して、KCNは予測を生成する際に近隣の観測を直接利用する。 kcnsはkrigingメソッドを特定の構成として含む。 注意を加えることで、モデルの性能をさらに改善します。 経験的に、このモデルはいくつかのアプリケーションでgcnやkrigingよりも優れています。 PyTorchを使用したKCNの実装はGitHubリポジトリで公開されている。

関連論文リスト

• Scalable Graph Compressed Convolutions [68.85227170390864]
  ユークリッド畳み込みのための入力グラフのキャリブレーションに置換を適用する微分可能手法を提案する。 グラフキャリブレーションに基づいて,階層型グラフ表現学習のための圧縮畳み込みネットワーク(CoCN)を提案する。
  論文  参考訳（メタデータ） (2024-07-26T03:14:13Z)
• Revisiting Neighborhood Aggregation in Graph Neural Networks for Node Classification using Statistical Signal Processing [4.184419714263417]
  グラフニューラルネットワーク(GNN)の基本構成要素である近傍集約の概念を再評価する。 本分析では,エッジ独立ノードラベルの仮定の下での動作において,特定のベンチマークGNNモデル内の概念的欠陥を明らかにする。
  論文  参考訳（メタデータ） (2024-07-21T22:37:24Z)
• EGRC-Net: Embedding-induced Graph Refinement Clustering Network [66.44293190793294]
  埋め込みによるグラフリファインメントクラスタリングネットワーク (EGRC-Net) という新しいグラフクラスタリングネットワークを提案する。 EGRC-Netは学習した埋め込みを利用して初期グラフを適応的に洗練し、クラスタリング性能を向上させる。 提案手法はいくつかの最先端手法より一貫して優れている。
  論文  参考訳（メタデータ） (2022-11-19T09:08:43Z)
• Cold Brew: Distilling Graph Node Representations with Incomplete or Missing Neighborhoods [69.13371028670153]
  本稿では,SCS(Strict Cold Start)問題に対する誘導型GNNの有効性を検討するために,FCR(Feature-Contribution ratio)を導入する。 実験により,FCRはグラフデータセットの様々な成分の寄与を阻害し,コールドブリューの優れた性能を示す。
  論文  参考訳（メタデータ） (2021-11-08T21:29:25Z)
• New Insights into Graph Convolutional Networks using Neural Tangent Kernels [8.824340350342512]
  本稿では,グラフに関する半教師付き学習に着目し,その観察をNutral Tangent Kernels (NTK) のレンズを通して説明する。 我々は、無限に広いGCNに対応するNTK(スキップ接続なしで)を導出する。 得られたNTKを用いて、適切な正規化を行うと、ネットワーク深さがGCNの性能を劇的に低下させるとは限らないことを識別する。
  論文  参考訳（メタデータ） (2021-10-08T15:36:52Z)
• Local Augmentation for Graph Neural Networks [78.48812244668017]
  本稿では,局所的な部分グラフ構造によりノード特性を向上する局所拡張を提案する。 局所的な拡張に基づいて、プラグイン・アンド・プレイ方式で任意のGNNモデルに適用可能な、LA-GNNという新しいフレームワークをさらに設計する。
  論文  参考訳（メタデータ） (2021-09-08T18:10:08Z)
• Towards Efficient Graph Convolutional Networks for Point Cloud Handling [181.59146413326056]
  ポイントクラウド上で学習するためのグラフ畳み込みネットワーク(GCN)の計算効率の向上を目指します。 一連の実験により、最適化されたネットワークは計算複雑性を減らし、メモリ消費を減らし、推論速度を加速した。
  論文  参考訳（メタデータ） (2021-04-12T17:59:16Z)
• Lookup subnet based Spatial Graph Convolutional neural Network [3.119764474774276]
  本研究では,CNNを非ユークリッド領域に自然に一般化するクロス相関グラフ畳み込み法を提案する。 提案手法は,3つの確立されたグラフベンチマークにおいて,最先端の実績を達成あるいは一致させた。
  論文  参考訳（メタデータ） (2021-02-04T13:05:30Z)
• EdgeNets:Edge Varying Graph Neural Networks [179.99395949679547]
  本稿では、EdgeNetの概念を通じて、最先端グラフニューラルネットワーク(GNN)を統一する一般的なフレームワークを提案する。 EdgeNetはGNNアーキテクチャであり、異なるノードが異なるパラメータを使って異なる隣人の情報を測定することができる。 これは、ノードが実行でき、既存のグラフ畳み込みニューラルネットワーク(GCNN)とグラフアテンションネットワーク(GAT)の1つの定式化の下で包含できる一般的な線形で局所的な操作である。
  論文  参考訳（メタデータ） (2020-01-21T15:51:17Z)

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。