論文の概要: On Exploring Node-feature and Graph-structure Diversities for Node Drop Graph Pooling

• arxiv url: http://arxiv.org/abs/2306.12726v1
• Date: Thu, 22 Jun 2023 08:02:01 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-23 15:05:37.451575
• Title: On Exploring Node-feature and Graph-structure Diversities for Node Drop Graph Pooling
• Title（参考訳）: ノードドロップグラフポーリングのためのノード機能とグラフ構造多様性の探索
• Authors: Chuang Liu, Yibing Zhan, Baosheng Yu, Liu Liu, Bo Du, Wenbin Hu, Tongliang Liu
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 86.65151066870739
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: A pooling operation is essential for effective graph-level representation learning, where the node drop pooling has become one mainstream graph pooling technology. However, current node drop pooling methods usually keep the top-k nodes according to their significance scores, which ignore the graph diversity in terms of the node features and the graph structures, thus resulting in suboptimal graph-level representations. To address the aforementioned issue, we propose a novel plug-and-play score scheme and refer to it as MID, which consists of a \textbf{M}ultidimensional score space with two operations, \textit{i.e.}, fl\textbf{I}pscore and \textbf{D}ropscore. Specifically, the multidimensional score space depicts the significance of nodes through multiple criteria; the flipscore encourages the maintenance of dissimilar node features; and the dropscore forces the model to notice diverse graph structures instead of being stuck in significant local structures. To evaluate the effectiveness of our proposed MID, we perform extensive experiments by applying it to a wide variety of recent node drop pooling methods, including TopKPool, SAGPool, GSAPool, and ASAP. Specifically, the proposed MID can efficiently and consistently achieve about 2.8\% average improvements over the above four methods on seventeen real-world graph classification datasets, including four social datasets (IMDB-BINARY, IMDB-MULTI, REDDIT-BINARY, and COLLAB), and thirteen biochemical datasets (D\&D, PROTEINS, NCI1, MUTAG, PTC-MR, NCI109, ENZYMES, MUTAGENICITY, FRANKENSTEIN, HIV, BBBP, TOXCAST, and TOX21). Code is available at~\url{https://github.com/whuchuang/mid}.
• Abstract（参考訳）: ノードドロッププーリングが1つの主流グラフプーリング技術となった,効率的なグラフレベルの表現学習には,プーリング操作が不可欠である。 しかし、現在のノードドロッププーリング法は通常、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て、上位kノードをその重要度に応じて保持する。 上記の問題に対処するために,新たなプラグ・アンド・プレイスコアスキームを提案し,これをmidと呼び,二つの演算を持つ2次元的スコア空間である \textit{i.e.}, fl\textbf{i}pscore, \textbf{d}ropscore から構成する。 特に、多次元スコア空間は、複数の基準を通してノードの重要性を表現しており、flipscoreは異なるノードの特徴の維持を奨励し、dropscoreはモデルに重要な局所構造に留まらず、多様なグラフ構造を認識させる。 提案するMIDの有効性を評価するため,TopKPool,SAGPool,GSAPool,ASAPなど,最近の多種多様なノードプーリング手法に適用し,幅広い実験を行った。 具体的には、4つのソーシャルデータセット(IMDB-Binary, IMDB-MULTI, REDDIT-Binary, COLLAB)と13の生化学的データセット(D\&D, PROTEINS, NCI1, MUTAG, PTC-MR, NCI109, ENZYMES, MUTAGENICITY, FRANKENSTEIN, HIV, BBBP, TOXCAST, TOX21)を含む、上記の4つの実世界のグラフ分類データセットに対する平均2.8 %の改善を効率よく達成することができる。 コードは~\url{https://github.com/whuchuang/mid}で入手できる。

関連論文リスト

• 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)
• Diversified Node Sampling based Hierarchical Transformer Pooling for Graph Representation Learning [15.248591535696146]
  ノードドロッププーリングは、学習可能なスコアリング関数を利用して、比較的低い価値スコアを持つノードをドロップすることを目的としている。 既存のメソッドは、主にGNNをバックボーンとするため、長距離依存関係のキャプチャに苦労している。 本稿では,GTPoolと呼ばれるグラフトランスフォーマープーリング手法を提案する。
  論文  参考訳（メタデータ） (2023-10-31T08:13:21Z)
• MPool: Motif-Based Graph Pooling [0.0]
  グラフニューラルネットワーク(GNN)は近年,グラフ分類を含む多くのグラフ関連タスクにおいて,強力な技術となっている。 マルチチャネルモチーフに基づくグラフポーリング手法(MPool)を提案する。 第1のチャネルとして、ノードのモチーフ隣接性を考慮したノードランキングモデルを設計し、ノード選択に基づくグラフプーリングを開発する。 第2のチャネルとして、モチーフアジャシエンスを用いたスペクトルクラスタリングモデルを設計し、クラスタベースのグラフプーリングを開発する。 最終層として、各チャネルの結果を最終グラフ表現に集約する。
  論文  参考訳（メタデータ） (2023-03-07T05:21:15Z)
• Multi-Granularity Graph Pooling for Video-based Person Re-Identification [14.943835935921296]
  ビデオサンプルの時間的特徴と空間的特徴を集約するためにグラフニューラルネットワーク(GNN)が導入された。 STGCNのような既存のグラフベースのモデルは、グラフ表現を得るためにノード機能でtextitmean/textitmaxプールを実行する。 ビデオ検索のための多粒度グラフ表現を学習するためのグラフプーリングネットワーク(GPNet)を提案する。
  論文  参考訳（メタデータ） (2022-09-23T13:26:05Z)
• 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)
• Accurate Learning of Graph Representations with Graph Multiset Pooling [45.72542969364438]
  本稿では,その構造的依存関係に応じてノード間の相互作用をキャプチャするグラフマルチセットトランス (GMT) を提案する。 実験の結果,GMTはグラフ分類ベンチマークにおいて,最先端のグラフプーリング法を著しく上回っていることがわかった。
  論文  参考訳（メタデータ） (2021-02-23T07:45:58Z)
• Second-Order Pooling for Graph Neural Networks [62.13156203025818]
  グラフプーリングとして2次プールを提案するが、これは上記の課題を自然に解決する。 グラフニューラルネットワークによる2次プールの直接利用は、実用的な問題を引き起こすことを示す。 本稿では,2次プールに基づく2つの新しいグローバルグラフプーリング手法,すなわちバイリニアマッピングと2次プールを提案する。
  論文  参考訳（メタデータ） (2020-07-20T20:52:36Z)
• Inverse Graph Identification: Can We Identify Node Labels Given Graph Labels? [89.13567439679709]
  グラフ識別(GI)は、グラフ学習において長い間研究されており、特定の応用において不可欠である。 本稿では,逆グラフ識別(Inverse Graph Identification, IGI)と呼ばれる新しい問題を定義する。 本稿では,グラフアテンションネットワーク(GAT)を用いたノードレベルのメッセージパッシング処理を,GIのプロトコルの下でシンプルかつ効果的に行う方法を提案する。
  論文  参考訳（メタデータ） (2020-07-12T12:06:17Z)
• Structure-Feature based Graph Self-adaptive Pooling [65.4188800835203]
  グラフデータを扱うための新しいグラフ自己適応プーリング法を提案する。 本手法は, グラフ分類において有効であり, 最先端のグラフプーリング法より優れている。
  論文  参考訳（メタデータ） (2020-01-30T13:58:49Z)

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。