論文の概要: Fused Gromov-Wasserstein Graph Mixup for Graph-level Classifications
- arxiv url: http://arxiv.org/abs/2306.15963v2
- Date: Wed, 4 Oct 2023 12:33:08 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-05 21:26:37.825499
- Title: Fused Gromov-Wasserstein Graph Mixup for Graph-level Classifications
- Title(参考訳): グラフレベル分類のための融合gromov-wassersteinグラフ混合
- Authors: Xinyu Ma, Xu Chu, Yasha Wang, Yang Lin, Junfeng Zhao, Liantao Ma,
Wenwu Zhu
- Abstract要約: 我々はFGWMixupと呼ばれる新しいグラフ混合アルゴリズムを提案し、FGWMixupはFused Gromov-Wasserstein計量空間のソースグラフの中間点を求める。
5つのデータセットで行った実験により、FGWMixupはGNNの一般化性と堅牢性を効果的に改善することが示された。
- 参考スコア(独自算出の注目度): 44.15102300886821
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Graph data augmentation has shown superiority in enhancing generalizability
and robustness of GNNs in graph-level classifications. However, existing
methods primarily focus on the augmentation in the graph signal space and the
graph structure space independently, neglecting the joint interaction between
them. In this paper, we address this limitation by formulating the problem as
an optimal transport problem that aims to find an optimal inter-graph node
matching strategy considering the interactions between graph structures and
signals. To solve this problem, we propose a novel graph mixup algorithm called
FGWMixup, which seeks a midpoint of source graphs in the Fused
Gromov-Wasserstein (FGW) metric space. To enhance the scalability of our
method, we introduce a relaxed FGW solver that accelerates FGWMixup by
improving the convergence rate from $\mathcal{O}(t^{-1})$ to
$\mathcal{O}(t^{-2})$. Extensive experiments conducted on five datasets using
both classic (MPNNs) and advanced (Graphormers) GNN backbones demonstrate that
FGWMixup effectively improves the generalizability and robustness of GNNs.
Codes are available at https://github.com/ArthurLeoM/FGWMixup.
- Abstract(参考訳): グラフデータの増大は、グラフレベルの分類におけるGNNの一般化性と堅牢性を高める上で優位性を示している。
しかし、既存の手法は主にグラフ信号空間とグラフ構造空間の増大に焦点を合わせ、それらの相互作用を無視している。
本稿では,グラフ構造と信号間の相互作用を考慮した最適グラフノードマッチング戦略の探索を目的とした,最適輸送問題としてこの問題を定式化する。
この問題を解決するために、FGW-Wasserstein(Fused Gromov-Wasserstein)計量空間におけるソースグラフの中間点を求めるFGWMixupと呼ばれる新しいグラフ混合アルゴリズムを提案する。
本手法のスケーラビリティを向上させるために, 収束率を$\mathcal{o}(t^{-1})$から$\mathcal{o}(t^{-2})$に改善することにより, fgwmixupを高速化する緩和fgwソルバを導入する。
古典的(MPNN)と先進的(Graphormers)のGNNバックボーンの両方を用いて5つのデータセットで実施された大規模な実験は、FGWMixupがGNNの一般化性と堅牢性を効果的に改善することを示した。
コードはhttps://github.com/ArthurLeoM/FGWMixup.comで入手できる。
関連論文リスト
- FedGT: Federated Node Classification with Scalable Graph Transformer [27.50698154862779]
本稿では,スケーラブルな textbfFederated textbfGraph textbfTransformer (textbfFedGT) を提案する。
FedGTは、最適なトランスポートで整列したグローバルノードに基づいて、クライアントの類似性を計算する。
論文 参考訳(メタデータ) (2024-01-26T21:02:36Z) - Graph Mixup with Soft Alignments [49.61520432554505]
本研究では,画像上での使用に成功しているミキサアップによるグラフデータの増大について検討する。
ソフトアライメントによるグラフ分類のための簡易かつ効果的な混合手法であるS-Mixupを提案する。
論文 参考訳(メタデータ) (2023-06-11T22:04:28Z) - A Generalization of ViT/MLP-Mixer to Graphs [32.86160915431453]
我々は、Graph ViT/MLP-Mixerと呼ばれる新しいGNNのクラスを紹介する。
長距離依存を捕捉し、オーバー・スカッシングの問題を緩和する。
ノード数とエッジ数にリニアな複雑さで、スピードとメモリ効率が向上する。
論文 参考訳(メタデータ) (2022-12-27T03:27:46Z) - FoSR: First-order spectral rewiring for addressing oversquashing in GNNs [0.0]
グラフニューラルネットワーク(GNN)は、グラフのエッジに沿ってメッセージを渡すことによって、グラフデータの構造を活用することができる。
本稿では,グラフにエッジを体系的に付加することで過疎化を防止する計算効率のよいアルゴリズムを提案する。
提案アルゴリズムは,いくつかのグラフ分類タスクにおいて,既存のグラフリウィリング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) (2022-10-21T07:58:03Z) - Exploiting Neighbor Effect: Conv-Agnostic GNNs Framework for Graphs with
Heterophily [58.76759997223951]
我々はフォン・ノイマンエントロピーに基づく新しい計量を提案し、GNNのヘテロフィリー問題を再検討する。
また、異種データセット上でのほとんどのGNNの性能を高めるために、Conv-Agnostic GNNフレームワーク(CAGNN)を提案する。
論文 参考訳(メタデータ) (2022-03-19T14:26:43Z) - G-Mixup: Graph Data Augmentation for Graph Classification [55.63157775049443]
Mixupは、2つのランダムサンプル間の特徴とラベルを補間することにより、ニューラルネットワークの一般化とロバスト性を改善する上で優位性を示している。
グラフ分類のためのグラフを増補するために$mathcalG$-Mixupを提案し、グラフの異なるクラスのジェネレータ(すなわちグラフ)を補間する。
実験により、$mathcalG$-MixupはGNNの一般化とロバスト性を大幅に改善することが示された。
論文 参考訳(メタデータ) (2022-02-15T04:09:44Z) - AnchorGAE: General Data Clustering via $O(n)$ Bipartite Graph
Convolution [79.44066256794187]
我々は、グラフ畳み込みネットワーク(GCN)を構築するために使用される生成グラフモデルを導入することにより、グラフに非グラフデータセットを変換する方法を示す。
アンカーによって構築された二部グラフは、データの背後にある高レベル情報を利用するために動的に更新される。
理論的には、単純な更新が退化につながることを証明し、それに従って特定の戦略が設計される。
論文 参考訳(メタデータ) (2021-11-12T07:08:13Z) - 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) - Scalable Graph Neural Networks for Heterogeneous Graphs [12.44278942365518]
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を学習するためのパラメトリックモデルの一般的なクラスである。
最近の研究は、GNNが主に機能をスムースにするためにグラフを使用しており、ベンチマークタスクで競合する結果を示していると主張している。
本研究では、これらの結果が異種グラフに拡張可能かどうかを問うとともに、異なるエンティティ間の複数のタイプの関係を符号化する。
論文 参考訳(メタデータ) (2020-11-19T06:03:35Z)
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。