論文の概要: Structure-Sensitive Graph Dictionary Embedding for Graph Classification
- arxiv url: http://arxiv.org/abs/2306.10505v1
- Date: Sun, 18 Jun 2023 09:12:13 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-21 20:13:12.471776
- Title: Structure-Sensitive Graph Dictionary Embedding for Graph Classification
- Title(参考訳): グラフ分類のための構造感性グラフ辞書
- Authors: Guangbu Liu, Tong Zhang, Xudong Wang, Wenting Zhao, Chuanwei Zhou, and
Zhen Cui
- Abstract要約: 本稿では,入力グラフをグラフ辞書の埋め込み空間に変換するためのSS-GDE(Structure-Sensitive Graph Dictionary Embedding)フレームワークを提案する。
我々は,グラフ分類の複数のデータセット上でSS-GDEを行い,その実験結果から,最先端手法に対する有効性と優位性を示した。
- 参考スコア(独自算出の注目度): 25.513036306206903
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Graph structure expression plays a vital role in distinguishing various
graphs. In this work, we propose a Structure-Sensitive Graph Dictionary
Embedding (SS-GDE) framework to transform input graphs into the embedding space
of a graph dictionary for the graph classification task. Instead of a plain use
of a base graph dictionary, we propose the variational graph dictionary
adaptation (VGDA) to generate a personalized dictionary (named adapted graph
dictionary) for catering to each input graph. In particular, for the
adaptation, the Bernoulli sampling is introduced to adjust substructures of
base graph keys according to each input, which increases the expression
capacity of the base dictionary tremendously. To make cross-graph measurement
sensitive as well as stable, multi-sensitivity Wasserstein encoding is proposed
to produce the embeddings by designing multi-scale attention on optimal
transport. To optimize the framework, we introduce mutual information as the
objective, which further deduces to variational inference of the adapted graph
dictionary. We perform our SS-GDE on multiple datasets of graph classification,
and the experimental results demonstrate the effectiveness and superiority over
the state-of-the-art methods.
- Abstract(参考訳): グラフ構造表現は、様々なグラフを区別する上で重要な役割を果たす。
本研究では,入力グラフをグラフ分類タスク用のグラフ辞書の埋め込み空間に変換するための,構造化グラフ辞書埋め込み(SS-GDE)フレームワークを提案する。
本稿では,基本グラフ辞書を日常的に使用する代わりに,各入力グラフに対応するパーソナライズされた辞書(名前付きグラフ辞書)を生成するための変分グラフ辞書適応(VGDA)を提案する。
特に,ベースグラフキーのサブ構造を各入力に応じて調整するためにベルヌーイサンプリングを導入することで,ベース辞書の表現能力を大幅に向上させる。
クロスグラフ計測を高感度かつ安定にするために, 最適輸送に対するマルチスケールの注意を設計し, 多感度ワッサースタイン符号化法を提案する。
この枠組みを最適化するために, 相互情報を目的として導入し, 適合グラフ辞書の変分推論にさらに寄与する。
グラフ分類の複数のデータセット上でSS-GDEを行い、実験結果から最先端手法よりも有効性と優位性を示す。
関連論文リスト
- Graph-Dictionary Signal Model for Sparse Representations of Multivariate Data [49.77103348208835]
グラフの有限集合がラプラシアンの重み付き和を通してデータ分布の関係を特徴付けるグラフ辞書信号モデルを定義する。
本稿では,観測データからグラフ辞書表現を推論するフレームワークを提案する。
我々は,脳活動データに基づく運動画像復号作業におけるグラフ辞書表現を利用して,従来の手法よりも想像的な動きをよりよく分類する。
論文 参考訳(メタデータ) (2024-11-08T17:40:43Z) - Invariant Graph Transformer [0.0]
グラフ機械学習の文脈では、グラフ合理化はモデルの性能を高めることができる。
抽出された有理部分グラフの識別力を確保するために「干渉」と呼ばれる重要な手法が適用される。
本稿では,グラフデータに対する適切な介入戦略を提案する。
論文 参考訳(メタデータ) (2023-12-13T02:56:26Z) - Permutation Equivariant Graph Framelets for Heterophilous Graph Learning [6.679929638714752]
本研究では,Haar型グラフフレームレットの構築により,マルチスケール抽出を実現する手法を開発した。
ヘテロ親和性グラフの特定のデータセット上で,我々のモデルが最高の性能を達成できることが示される。
論文 参考訳(メタデータ) (2023-06-07T09:05:56Z) - Bures-Wasserstein Means of Graphs [60.42414991820453]
本研究では,スムーズなグラフ信号分布の空間への埋め込みを通じて,グラフ平均を定義する新しいフレームワークを提案する。
この埋め込み空間において平均を求めることにより、構造情報を保存する平均グラフを復元することができる。
我々は,新しいグラフの意味の存在と特異性を確立し,それを計算するための反復アルゴリズムを提供する。
論文 参考訳(メタデータ) (2023-05-31T11:04:53Z) - 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) - Scene Graph Modification as Incremental Structure Expanding [61.84291817776118]
本研究では,既存のシーングラフを自然言語クエリに基づいて更新する方法を学習するために,シーングラフ修正(SGM)に注目した。
インクリメンタル構造拡張(ISE)の導入によるグラフ拡張タスクとしてのSGM
既存のデータセットよりも複雑なクエリと大きなシーングラフを含む、挑戦的なデータセットを構築します。
論文 参考訳(メタデータ) (2022-09-15T16:26:14Z) - Embedding Graphs on Grassmann Manifold [31.42901131602713]
本稿では,グラスマン多様体に近似した2階グラフ特性を組み込んだ新しいグラフ表現学習手法EGGを提案する。
EGGの有効性はノードレベルとグラフレベルでのクラスタリングと分類タスクの両方を用いて示される。
論文 参考訳(メタデータ) (2022-05-30T12:56:24Z) - Graph Transplant: Node Saliency-Guided Graph Mixup with Local Structure
Preservation [27.215800308343322]
グラフトランスポート(Graph Transplant)と呼ばれるグラフレベルでMixupライクなグラフ拡張手法を提案する。
本手法では, 局所情報を保存可能な混合単位としてサブ構造を同定する。
複数のグラフ分類ベンチマークデータセットを用いて,多様なGNNアーキテクチャを用いて提案手法を広範囲に検証する。
論文 参考訳(メタデータ) (2021-11-10T11:10:13Z) - Online Graph Dictionary Learning [10.394615068526505]
本論文では,Gromov Wassersteinの発散をデータフィッティング用語として用いるオンライングラフ辞書学習手法を提案する。
私たちの研究では、グラフはノードの対関係を通じてエンコードされ、グラフ原子の凸結合としてモデル化されます。
私たちのアプローチはラベル付きグラフに自然に拡張され、埋め込み空間におけるGromov Wassersteinの高速近似として使用できる新しい上界によって完了されます。
論文 参考訳(メタデータ) (2021-02-12T14:39:28Z) - Wasserstein-based Graph Alignment [56.84964475441094]
我々は,より小さいグラフのノードと大きなグラフのノードをマッチングすることを目的とした,1対多のグラフアライメント問題に対する新しい定式化を行った。
提案手法は,各タスクに対する最先端のアルゴリズムに対して,大幅な改善をもたらすことを示す。
論文 参考訳(メタデータ) (2020-03-12T22:31:59Z) - Unsupervised Graph Embedding via Adaptive Graph Learning [85.28555417981063]
グラフオートエンコーダ(GAE)は、グラフ埋め込みのための表現学習において強力なツールである。
本稿では,2つの新しい教師なしグラフ埋め込み法,適応グラフ学習(BAGE)による教師なしグラフ埋め込み,変分適応グラフ学習(VBAGE)による教師なしグラフ埋め込みを提案する。
いくつかのデータセットに関する実験的研究により、我々の手法がノードクラスタリング、ノード分類、グラフ可視化タスクにおいて、ベースラインよりも優れていることが実証された。
論文 参考訳(メタデータ) (2020-03-10T02:33:14Z)
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。