論文の概要: On Addressing the Limitations of Graph Neural Networks
- arxiv url: http://arxiv.org/abs/2306.12640v2
- Date: Sun, 2 Jul 2023 20:34:31 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-04 12:25:53.367861
- Title: On Addressing the Limitations of Graph Neural Networks
- Title（参考訳）: グラフニューラルネットワークの限界への取り組み
- Authors: Sitao Luan
- Abstract要約: 本稿では,グラフ畳み込みネットワーク (GCN) に関する2つの問題を概説する。
- 参考スコア（独自算出の注目度）: 1.14219428942199
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This report gives a summary of two problems about graph convolutional
networks (GCNs): over-smoothing and heterophily challenges, and outlines future
directions to explore.
- Abstract（参考訳）: 本稿では,グラフ畳み込みネットワーク(gcns)に関する2つの問題点について概説する。
関連論文リスト
- Rewiring Techniques to Mitigate Oversquashing and Oversmoothing in GNNs: A Survey [0.0]
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から学習するための強力なツールだが,その有効性は2つの重要な課題によって制約されることが多い。
オーバーキャッシング(Oversquashing) – 遠いノードからの情報の過剰な圧縮が大きな情報損失と過度なスムース化をもたらし、繰り返しメッセージパッシングの繰り返しがノード表現を均質化し、意味のある区別を隠蔽する。
本研究では,グラフトポロジを改良して情報拡散を高めることで,これらの構造的ボトルネックに対処する手法であるグラフリウィリング手法について検討する。
論文 参考訳（メタデータ） (2024-11-26T13:38:12Z) - InstructG2I: Synthesizing Images from Multimodal Attributed Graphs [50.852150521561676]
InstructG2Iと呼ばれるグラフ文脈条件拡散モデルを提案する。
InstructG2Iはまずグラフ構造とマルチモーダル情報を利用して情報的隣人サンプリングを行う。
Graph-QFormerエンコーダは、グラフノードをグラフプロンプトの補助セットに適応的に符号化し、デノナイジングプロセスを導く。
論文 参考訳（メタデータ） (2024-10-09T17:56:15Z) - Edge-Wise Graph-Instructed Neural Networks [0.0]
グラフ命令GI(Graph-Instructed)層の限界について議論し、新しいエッジワイドGI(EWGI)層を定式化する。
EWGINNは、カオス接続を伴うグラフ構造化入力データよりも、GINNよりも優れているという数値的な証拠を提供する。
論文 参考訳（メタデータ） (2024-09-12T13:05:28Z) - Graph Convolutional Networks and Graph Attention Networks for Approximating Arguments Acceptability -- Technical Report [0.27624021966289597]
本稿では,GCN(Graph Convolutional Networks)の性能を,実行時と精度の両方で向上させる方法について述べる。
次に、グラフ注意ネットワーク(GAT)を用いて、ネットワークのアーキテクチャを変更することにより、アプローチの効率をさらに向上できることを示す。
論文 参考訳（メタデータ） (2024-04-29T13:12:08Z) - Graphs Unveiled: Graph Neural Networks and Graph Generation [0.0]
本稿では,グラフニューラルネットワーク(GNN)の概要を紹介する。
様々な領域にわたるグラフニューラルネットワークの適用について論じる。
我々は,グラフ生成という,GNNの先進的な分野を提示する。
論文 参考訳（メタデータ） (2024-03-18T14:37:27Z) - Over-Squashing in Graph Neural Networks: A Comprehensive survey [0.0]
この調査は、グラフニューラルネットワーク(GNN)におけるオーバースカッシングの課題を掘り下げるものだ。
オーバースカッシングの原因、結果、緩和戦略を包括的に探求する。
グラフの書き換え、新しい正規化、スペクトル分析、曲率に基づく戦略など、様々な手法がレビューされている。
また、オーバー・スムーシングなど、オーバー・スカッシングと他のGNN制限との相互作用についても論じている。
論文 参考訳（メタデータ） (2023-08-29T18:46:15Z) - DEGREE: Decomposition Based Explanation For Graph Neural Networks [55.38873296761104]
我々は,GNN予測に対する忠実な説明を提供するためにDGREEを提案する。
GNNの情報生成と集約機構を分解することにより、DECREEは入力グラフの特定のコンポーネントのコントリビューションを最終的な予測に追跡することができる。
また,従来の手法で見過ごされるグラフノード間の複雑な相互作用を明らかにするために,サブグラフレベルの解釈アルゴリズムを設計する。
論文 参考訳（メタデータ） (2023-05-22T10:29:52Z) - Learning Graph Structure from Convolutional Mixtures [119.45320143101381]
本稿では、観測されたグラフと潜伏グラフのグラフ畳み込み関係を提案し、グラフ学習タスクをネットワーク逆(デコンボリューション)問題として定式化する。
固有分解に基づくスペクトル法の代わりに、近似勾配反復をアンロール・トランケートして、グラフデコンボリューションネットワーク(GDN)と呼ばれるパラメータ化ニューラルネットワークアーキテクチャに到達させる。
GDNは、教師付き方式でグラフの分布を学習し、損失関数を適応させることでリンク予測やエッジウェイト回帰タスクを実行し、本質的に帰納的である。
論文 参考訳（メタデータ） (2022-05-19T14:08:15Z) - Increase and Conquer: Training Graph Neural Networks on Growing Graphs [116.03137405192356]
本稿では,このグラフからBernoulliをサンプリングしたグラフ上でGNNをトレーニングすることで,WNN(Graphon Neural Network)を学習する問題を考察する。
これらの結果から着想を得た大規模グラフ上でGNNを学習するアルゴリズムを提案する。
論文 参考訳（メタデータ） (2021-06-07T15:05:59Z) - Towards Deeper Graph Neural Networks [63.46470695525957]
グラフ畳み込みは近傍の集約を行い、最も重要なグラフ操作の1つである。
いくつかの最近の研究で、この性能劣化は過度に滑らかな問題に起因している。
本研究では,大きな受容領域からの情報を適応的に組み込むディープ適応グラフニューラルネットワーク(DAGNN)を提案する。
論文 参考訳（メタデータ） (2020-07-18T01:11:14Z) - Interpretable Deep Graph Generation with Node-Edge Co-Disentanglement [55.2456981313287]
本稿では,属性グラフの深部生成モデルのための新しいアンタングルメント拡張フレームワークを提案する。
ノードとエッジのデコンボリューションのための新しいアーキテクチャを用いて、上記の3種類の潜伏因子を解離する新しい変分的目的を提案する。
各タイプ内では、画像の既存のフレームワークの一般化が示され、個々の因子のゆがみがさらに強化される。
論文 参考訳（メタデータ） (2020-06-09T16:33:49Z)
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。