論文の概要: Geometric Pooling: maintaining more useful information

• arxiv url: http://arxiv.org/abs/2306.12341v1
• Date: Wed, 21 Jun 2023 15:39:17 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-22 12:48:22.597634
• Title: Geometric Pooling: maintaining more useful information
• Title（参考訳）: Geometric Pooling: より有用な情報を維持する
• Authors: Hao Xu, Jia Liu, Yang Shen, Kenan Lou, Yanxia Bao, Ruihua Zhang, Shuyue Zhou, Hongsen Zhao, Shuai Wang
• Abstract要約: 幾何プール (GP) は、全てのノードの特徴の類似度を測定することにより、負の値を持つユニークなノード特徴を含むように提案された。 その結果,提案したGPはより少ないパラメータで,SOTAグラフプーリング技術よりも1%シムが優れていた。
• 参考スコア（独自算出の注目度）: 14.42054195588345
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graph Pooling technology plays an important role in graph node classification tasks. Sorting pooling technologies maintain large-value units for pooling graphs of varying sizes. However, by analyzing the statistical characteristic of activated units after pooling, we found that a large number of units dropped by sorting pooling are negative-value units that contain useful information and can contribute considerably to the final decision. To maintain more useful information, a novel pooling technology, called Geometric Pooling (GP), was proposed to contain the unique node features with negative values by measuring the similarity of all node features. We reveal the effectiveness of GP from the entropy reduction view. The experiments were conducted on TUdatasets to show the effectiveness of GP. The results showed that the proposed GP outperforms the SOTA graph pooling technologies by 1%\sim5% with fewer parameters.
• Abstract（参考訳）: グラフポーリング技術はグラフノード分類タスクにおいて重要な役割を果たす。 ソートプール技術は、さまざまなサイズのグラフをプールするための大きな価値単位を保持する。 しかし,プール化後の活性化単位の統計特性を解析した結果,ソートプール化によって落下する多数の単位は有用な情報を含む負の値単位であり,最終決定に大きく寄与することがわかった。 より有用な情報を維持するため,Geometric Pooling (GP) と呼ばれる新しいプール技術が提案され,全てのノード特徴の類似度を測定して,負の値を持つユニークなノード特徴を含むようになった。 エントロピー低減の観点からgpの有効性を明らかにする。 実験は TUdatasets を用いてGPの有効性を示した。 その結果,提案したGPはパラメータが少なく,SOTAグラフプーリング技術よりも1%\sim5%優れていた。

関連論文リスト

• An Improved Graph Pooling Network for Skeleton-Based Action Recognition [35.26953105240661]
  IGPNと呼ばれる改良グラフポーリングネットワークを提案する。 本手法は,構造分割に基づく領域認識プール戦略を取り入れた手法である。 プラグアンドプレイ構造として,提案手法は既存のGCNモデルとシームレスに組み合わせることができる。
  論文  参考訳（メタデータ） (2024-04-25T06:41:58Z)
• Graph Parsing Networks [64.5041886737007]
  本稿では,効率的なグラフ解析アルゴリズムを提案する。 結果として得られるグラフパーシングネットワーク(GPN)は、個々のグラフに対してパーソナライズされたプーリング構造を適応的に学習する。
  論文  参考訳（メタデータ） (2024-02-22T09:08:36Z)
• Careful Selection and Thoughtful Discarding: Graph Explicit Pooling Utilizing Discarded Nodes [53.08068729187698]
  本稿では,ノードと最終表現ベクトルの関係を明示的に活用してノードを選択するグラフ明示プール法を提案する。 提案手法の有効性を検証するため,12種類の広く使用されているデータセットを対象とした総合的な実験を行った。
  論文  参考訳（メタデータ） (2023-11-21T14:44:51Z)
• On Exploring Node-feature and Graph-structure Diversities for Node Drop Graph Pooling [86.65151066870739]
  現在のノードドロッププーリング法は、ノードの特徴やグラフ構造の観点からグラフの多様性を無視し、結果としてグラフレベル以下の表現をもたらす。 そこで本稿では,textiti.fltextbfIpscore と textbfDropscore の2つの操作を持つ textbfMulti スコア空間からなる MID を新たに提案する。 具体的には、多次元スコア空間は、複数の基準を通してノードの重要さを描いており、フリップスコアは異種ノードの維持を奨励している。
  論文  参考訳（メタデータ） (2023-06-22T08:02:01Z)
• From Spectral Graph Convolutions to Large Scale Graph Convolutional Networks [0.0]
  グラフ畳み込みネットワーク(GCN)は、様々なタスクにうまく適用された強力な概念であることが示されている。 古典グラフ理論の関連部分を含むGCNの定義への道を開いた理論を考察する。
  論文  参考訳（メタデータ） (2022-07-12T16:57:08Z)
• Node Feature Extraction by Self-Supervised Multi-scale Neighborhood Prediction [123.20238648121445]
  我々は、新しい自己教師型学習フレームワーク、グラフ情報支援ノード機能exTraction (GIANT)を提案する。 GIANT は eXtreme Multi-label Classification (XMC) 形式を利用しており、これはグラフ情報に基づいた言語モデルの微調整に不可欠である。 我々は,Open Graph Benchmarkデータセット上での標準GNNパイプラインよりもGIANTの方が優れた性能を示す。
  論文  参考訳（メタデータ） (2021-10-29T19:55:12Z)
• Edge but not Least: Cross-View Graph Pooling [76.71497833616024]
  本稿では,重要なグラフ構造情報を活用するために,クロスビューグラフプーリング(Co-Pooling)手法を提案する。 クロスビュー相互作用、エッジビュープーリング、ノードビュープーリングにより、相互にシームレスに強化され、より情報的なグラフレベルの表現が学習される。
  論文  参考訳（メタデータ） (2021-09-24T08:01:23Z)
• GIPA: General Information Propagation Algorithm for Graph Learning [3.228614352581043]
  属性付きグラフデータ学習のための新しいグラフ注目ニューラルネットワーク、すなわちGIPAを紹介します。 GIPAは3つの重要なコンポーネントで構成されている。 Open Graph Benchmark protein データセットを用いてGIPAの性能を評価する。
  論文  参考訳（メタデータ） (2021-05-13T01:50:43Z)
• Graph Feature Gating Networks [31.20878472589719]
  本稿では,グラフ信号の雑音化問題に基づく一般グラフ特徴ゲーティングネットワーク(gfgn)を提案する。 また、GFGNの下で3つのグラフフィルターを導入し、機能寸法から異なるレベルのコントリビューションを可能にします。
  論文  参考訳（メタデータ） (2021-05-10T16:33:58Z)
• Structure-Aware Hierarchical Graph Pooling using Information Bottleneck [2.7088996845250897]
  グラフプーリングは、グラフ分類および回帰タスクにおけるグラフニューラルネットワーク(GNN)の重要な要素です。 本稿では,情報ボトルネック(IB)の原理を応用した,HIBPoolという新しいプール手法を提案する。 また,グラフの局所部分グラフ構造をキャプチャするために,新しい構造認識型識別プーリング読み出し(dip-readout)関数を導入する。
  論文  参考訳（メタデータ） (2021-04-27T07:27:43Z)
• Infinitely Wide Graph Convolutional Networks: Semi-supervised Learning via Gaussian Processes [144.6048446370369]
  グラフ畳み込みニューラルネットワーク(GCN)は近年,グラフに基づく半教師付き半教師付き分類において有望な結果を示した。 グラフに基づく半教師付き学習のためのGCN(GPGC)を用いたGP回帰モデルを提案する。 GPGCを評価するための広範囲な実験を行い、他の最先端手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2020-02-26T10:02:32Z)

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。