論文の概要: PolicyClusterGCN: Identifying Efficient Clusters for Training Graph
Convolutional Networks
- arxiv url: http://arxiv.org/abs/2306.14357v1
- Date: Sun, 25 Jun 2023 22:17:25 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-27 15:12:42.509527
- Title: PolicyClusterGCN: Identifying Efficient Clusters for Training Graph
Convolutional Networks
- Title（参考訳）: PolicyClusterGCN: グラフ畳み込みネットワークをトレーニングするための効率的なクラスタの同定
- Authors: Saket Gurukar, Shaileshh Bojja Venkatakrishnan, Balaraman Ravindran,
Srinivasan Parthasarathy
- Abstract要約: グラフ畳み込みネットワーク(GCN)は、グラフ構造化データ上での機械学習(ML)タスクにおいて大きな成功を収めている。
本稿では,GCNトレーニングのための優れたクラスタを識別可能なオンラインRLフレームワークであるPolicyClusterGCNを提案する。
我々は、政策ネットワークが重要度を予測できるように、新しいマルコフ決定プロセス(MDP)を策定する。
- 参考スコア（独自算出の注目度）: 23.437482392702627
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Graph convolutional networks (GCNs) have achieved huge success in several
machine learning (ML) tasks on graph-structured data. Recently, several
sampling techniques have been proposed for the efficient training of GCNs and
to improve the performance of GCNs on ML tasks. Specifically, the
subgraph-based sampling approaches such as ClusterGCN and GraphSAINT have
achieved state-of-the-art performance on the node classification tasks. These
subgraph-based sampling approaches rely on heuristics -- such as graph
partitioning via edge cuts -- to identify clusters that are then treated as
minibatches during GCN training. In this work, we hypothesize that rather than
relying on such heuristics, one can learn a reinforcement learning (RL) policy
to compute efficient clusters that lead to effective GCN performance. To that
end, we propose PolicyClusterGCN, an online RL framework that can identify good
clusters for GCN training. We develop a novel Markov Decision Process (MDP)
formulation that allows the policy network to predict ``importance" weights on
the edges which are then utilized by a clustering algorithm (Graclus) to
compute the clusters. We train the policy network using a standard policy
gradient algorithm where the rewards are computed from the classification
accuracies while training GCN using clusters given by the policy. Experiments
on six real-world datasets and several synthetic datasets show that
PolicyClusterGCN outperforms existing state-of-the-art models on node
classification task.
- Abstract（参考訳）: グラフ畳み込みネットワーク(GCN)は、グラフ構造化データ上での機械学習(ML)タスクにおいて大きな成功を収めている。
近年,GCNの効率的なトレーニングと,MLタスクにおけるGCNの性能向上のために,いくつかのサンプリング手法が提案されている。
特に、ClusterGCNやGraphSAINTのようなサブグラフベースのサンプリングアプローチは、ノード分類タスクで最先端のパフォーマンスを達成した。
これらのサブグラフベースのサンプリングアプローチは、エッジカットによるグラフ分割のようなヒューリスティックスに依存し、gcnトレーニング中にミニバッチとして扱われるクラスタを特定する。
本研究では,そのようなヒューリスティックに頼らずに,効率的なGCN性能をもたらす効率的なクラスタを計算するための強化学習(RL)ポリシーを学習できると仮定する。
そこで我々は,GCNトレーニングのための優れたクラスタを識別可能なオンラインRLフレームワークであるPolicyClusterGCNを提案する。
本稿では,クラスタリングアルゴリズム (Graclus) によって計算されるエッジ上の「重要」重みをポリシネットワークで予測できる新しいマルコフ決定プロセス (MDP) を開発した。
我々は、ポリシーが与えられたクラスタを用いてgcnを訓練しながら、分類アキュラリティーから報酬を計算した標準ポリシー勾配アルゴリズムを用いてポリシーネットワークを訓練する。
6つの実世界のデータセットといくつかの合成データセットの実験は、PolyyClusterGCNがノード分類タスクにおける既存の最先端モデルより優れていることを示している。
関連論文リスト
- DGCLUSTER: A Neural Framework for Attributed Graph Clustering via
Modularity Maximization [5.329981192545312]
本稿では,グラフニューラルネットワークを用いてモジュラリティの目的を最適化し,グラフサイズと線形にスケールする新しい手法DGClusterを提案する。
私たちはDGClusterを、さまざまなサイズの実世界のデータセットで、複数の一般的なクラスタ品質メトリクスで広範囲にテストしています。
われわれの手法は最先端の手法よりも一貫して優れており、ほぼすべての設定で顕著な性能向上を示している。
論文 参考訳（メタデータ） (2023-12-20T01:43:55Z) - Reinforcement Graph Clustering with Unknown Cluster Number [91.4861135742095]
本稿では,Reinforcement Graph Clusteringと呼ばれる新しいディープグラフクラスタリング手法を提案する。
提案手法では,クラスタ数決定と教師なし表現学習を統一的なフレームワークに統合する。
フィードバック動作を行うために、クラスタリング指向の報酬関数を提案し、同一クラスタの凝集を高め、異なるクラスタを分離する。
論文 参考訳（メタデータ） (2023-08-13T18:12:28Z) - DeepCut: Unsupervised Segmentation using Graph Neural Networks
Clustering [6.447863458841379]
本研究では,従来のクラスタリング手法を置き換える軽量グラフニューラルネットワーク(GNN)を提案する。
既存の手法とは異なり、GNNはローカル画像特徴と生特徴とのペアワイズ親和性の両方を入力として取ります。
画像セグメンテーションGNNを訓練するための自己教師付き損失関数として,古典的クラスタリングの目的を定式化する方法を実証する。
論文 参考訳（メタデータ） (2022-12-12T12:31:46Z) - CGC: Contrastive Graph Clustering for Community Detection and Tracking [33.48636823444052]
グラフクラスタリングのための新しいエンドツーエンドフレームワークであるCGCを開発した。
CGCは、対照的なグラフ学習フレームワークでノードの埋め込みとクラスタ割り当てを学習する。
時間進化データに対してCGCを拡張し、時間的グラフクラスタリングを漸進的な学習方式で行う。
論文 参考訳（メタデータ） (2022-04-05T17:34:47Z) - Self-supervised Contrastive Attributed Graph Clustering [110.52694943592974]
我々は,自己教師型コントラストグラフクラスタリング(SCAGC)という,新たな属性グラフクラスタリングネットワークを提案する。
SCAGCでは,不正確なクラスタリングラベルを活用することで,ノード表現学習のための自己教師付きコントラスト損失を設計する。
OOSノードでは、SCAGCはクラスタリングラベルを直接計算できる。
論文 参考訳（メタデータ） (2021-10-15T03:25:28Z) - Attention-driven Graph Clustering Network [49.040136530379094]
我々は、注意駆動グラフクラスタリングネットワーク(AGCN)という新しいディープクラスタリング手法を提案する。
AGCNは、ノード属性特徴とトポロジグラフ特徴を動的に融合するために、不均一な融合モジュールを利用する。
AGCNは、教師なしの方法で特徴学習とクラスタ割り当てを共同で行うことができる。
論文 参考訳（メタデータ） (2021-08-12T02:30:38Z) - Learning Hierarchical Graph Neural Networks for Image Clustering [81.5841862489509]
本稿では,画像の集合を未知の個数にクラスタリングする方法を学ぶ階層型グラフニューラルネットワーク(GNN)モデルを提案する。
我々の階層的なGNNは、階層の各レベルで予測される連結コンポーネントをマージして、次のレベルで新しいグラフを形成するために、新しいアプローチを用いています。
論文 参考訳（メタデータ） (2021-07-03T01:28:42Z) - Policy-GNN: Aggregation Optimization for Graph Neural Networks [60.50932472042379]
グラフニューラルネットワーク(GNN)は、局所的なグラフ構造をモデル化し、隣人からの情報を集約することで階層的なパターンを捉えることを目的としている。
複雑なグラフとスパースな特徴を与えられた各ノードに対して効果的なアグリゲーション戦略を開発することは難しい課題である。
本稿では,GNNのサンプリング手順とメッセージパッシングを複合学習プロセスにモデル化するメタ政治フレームワークであるPolicy-GNNを提案する。
論文 参考訳（メタデータ） (2020-06-26T17:03:06Z) - Progressive Graph Convolutional Networks for Semi-Supervised Node
Classification [97.14064057840089]
グラフ畳み込みネットワークは、半教師付きノード分類のようなグラフベースのタスクに対処することに成功した。
本稿では,コンパクトかつタスク固有のグラフ畳み込みネットワークを自動構築する手法を提案する。
論文 参考訳（メタデータ） (2020-03-27T08:32:16Z)
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。