論文の概要: Robust Graph Structure Learning with the Alignment of Features and Adjacency Matrix

• arxiv url: http://arxiv.org/abs/2307.02126v1
• Date: Wed, 5 Jul 2023 09:05:14 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-06 14:36:15.745037
• Title: Robust Graph Structure Learning with the Alignment of Features and Adjacency Matrix
• Title（参考訳）: 特徴のアライメントと隣接行列を用いたロバストグラフ構造学習
• Authors: Shaogao Lv, Gang Wen, Shiyu Liu, Linsen Wei and Ming Li
• Abstract要約: クリーンなグラフ構造とそれに対応する表現を共同で学習するグラフ構造学習(GSL)には,多くのアプローチが提案されている。 本稿では,特に特徴情報とグラフ情報の整合性を考慮した新しい正規化GSL手法を提案する。 本手法の有効性を評価するために,実世界のグラフを用いて実験を行った。
• 参考スコア（独自算出の注目度）: 8.711977569042865
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: To improve the robustness of graph neural networks (GNN), graph structure learning (GSL) has attracted great interest due to the pervasiveness of noise in graph data. Many approaches have been proposed for GSL to jointly learn a clean graph structure and corresponding representations. To extend the previous work, this paper proposes a novel regularized GSL approach, particularly with an alignment of feature information and graph information, which is motivated mainly by our derived lower bound of node-level Rademacher complexity for GNNs. Additionally, our proposed approach incorporates sparse dimensional reduction to leverage low-dimensional node features that are relevant to the graph structure. To evaluate the effectiveness of our approach, we conduct experiments on real-world graphs. The results demonstrate that our proposed GSL method outperforms several competitive baselines, especially in scenarios where the graph structures are heavily affected by noise. Overall, our research highlights the importance of integrating feature and graph information alignment in GSL, as inspired by our derived theoretical result, and showcases the superiority of our approach in handling noisy graph structures through comprehensive experiments on real-world datasets.
• Abstract（参考訳）: グラフニューラルネットワーク(gnn)のロバスト性を向上させるため、グラフデータにおけるノイズの広汎性により、グラフ構造学習(gsl)が大きな関心を集めている。 GSLはクリーングラフ構造と対応する表現を共同で学習するために多くのアプローチが提案されている。 本稿では,gnnのノードレベルラデマッハ複雑性の導出を主目的とし,特徴情報とグラフ情報のアラインメントを用いた新しい正規化gsl手法を提案する。 さらに,本提案手法では,グラフ構造に関連する低次元ノード特徴を利用するために,疎次元化を取り入れた。 本手法の有効性を評価するため,実世界のグラフを用いて実験を行う。 その結果,提案手法は,特にノイズの影響が大きい場合において,いくつかの競合的ベースラインよりも優れていた。 本研究は、GSLにおける特徴情報とグラフ情報のアライメントの統合の重要性を強調し、実世界のデータセットに関する包括的な実験を通じてノイズの多いグラフ構造を扱う際のアプローチの優位性を示す。

関連論文リスト

• GraphEdit: Large Language Models for Graph Structure Learning [62.618818029177355]
  グラフ構造学習(GSL)は、グラフ構造データ中のノード間の固有の依存関係と相互作用をキャプチャすることに焦点を当てている。 既存のGSL法は、監督信号として明示的なグラフ構造情報に大きく依存している。 グラフ構造化データの複雑なノード関係を学習するために,大規模言語モデル(LLM)を利用したグラフ編集を提案する。
  論文  参考訳（メタデータ） (2024-02-23T08:29:42Z)
• 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)
• Semantic Graph Neural Network with Multi-measure Learning for Semi-supervised Classification [5.000404730573809]
  近年,グラフニューラルネットワーク(GNN)が注目されている。 近年の研究では、GNNはグラフの複雑な基盤構造に弱いことが示されている。 半教師付き分類のための新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-12-04T06:17:11Z)
• Structure-Preserving Graph Representation Learning [43.43429108503634]
  本研究では,グラフの構造情報を完全にキャプチャする構造保存グラフ表現学習(SPGRL)手法を提案する。 具体的には、元のグラフの不確かさと誤情報を減らすために、k-Nearest Neighbor法による補完的なビューとして特徴グラフを構築する。 本手法は、半教師付きノード分類タスクにおいて非常に優れた性能を示し、グラフ構造やノード特徴に対するノイズ摂動下での堅牢性に優れる。
  論文  参考訳（メタデータ） (2022-09-02T02:49:19Z)
• Towards Unsupervised Deep Graph Structure Learning [67.58720734177325]
  本稿では,学習したグラフトポロジを外部ガイダンスなしでデータ自身で最適化する,教師なしグラフ構造学習パラダイムを提案する。 具体的には、元のデータから"アンカーグラフ"として学習目標を生成し、対照的な損失を用いてアンカーグラフと学習グラフとの一致を最大化する。
  論文  参考訳（メタデータ） (2022-01-17T11:57:29Z)
• Graph Structure Learning with Variational Information Bottleneck [70.62851953251253]
  本稿では,新しい変分情報ボトルネックガイド付きグラフ構造学習フレームワーク,すなわちVIB-GSLを提案する。 VIB-GSLは情報的かつ圧縮的なグラフ構造を学習し、特定の下流タスクに対して実行可能な情報を蒸留する。
  論文  参考訳（メタデータ） (2021-12-16T14:22:13Z)
• Deep Graph Structure Learning for Robust Representations: A Survey [20.564611153151834]
  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の解析に広く利用されている。 GNNモデルの堅牢性を改善するため、グラフ構造学習の中心概念を中心に多くの研究が提案されている。
  論文  参考訳（メタデータ） (2021-03-04T13:49:25Z)
• Contrastive and Generative Graph Convolutional Networks for Graph-based Semi-Supervised Learning [64.98816284854067]
  グラフベースのSemi-Supervised Learning (SSL)は、少数のラベル付きデータのラベルをグラフ経由で残りの巨大なラベル付きデータに転送することを目的としている。 本稿では,データ類似性とグラフ構造を両立させ,監視信号の強化を図るため,新しいGCNベースのSSLアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-09-15T13:59:28Z)
• Iterative Deep Graph Learning for Graph Neural Networks: Better and Robust Node Embeddings [53.58077686470096]
  グラフ構造とグラフ埋め込みを協調的かつ反復的に学習するための、エンドツーエンドのグラフ学習フレームワーク、すなわち、IDGL(Iterative Deep Graph Learning)を提案する。 実験の結果,提案したIDGLモデルは,最先端のベースラインを一貫して上回る,あるいは一致させることができることがわかった。
  論文  参考訳（メタデータ） (2020-06-21T19:49:15Z)

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。