論文の概要: Automated Polynomial Filter Learning for Graph Neural Networks

• arxiv url: http://arxiv.org/abs/2307.07956v1
• Date: Sun, 16 Jul 2023 06:14:12 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-18 16:41:07.906529
• Title: Automated Polynomial Filter Learning for Graph Neural Networks
• Title（参考訳）: グラフニューラルネットワークのための自動多項式フィルタ学習
• Authors: Wendi Yu, Zhichao Hou, Xiaorui Liu
• Abstract要約: グラフニューラルネットワーク(GNN)の設計の指針として多項グラフフィルタが広く用いられている。 近年, グラフフィルタの適応学習により, ホモ親和性グラフとヘテロ親和性グラフの両方において, グラフ信号のモデル化に有望な性能が示された。 本稿では,多種多様なグラフ信号に適応可能な優れたフィルタを効率的に学習する,新規で汎用的なグラフフィルタ学習フレームワークであるAuto-Polynomialを提案する。
• 参考スコア（独自算出の注目度）: 9.120531252536617
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Polynomial graph filters have been widely used as guiding principles in the design of Graph Neural Networks (GNNs). Recently, the adaptive learning of the polynomial graph filters has demonstrated promising performance for modeling graph signals on both homophilic and heterophilic graphs, owning to their flexibility and expressiveness. In this work, we conduct a novel preliminary study to explore the potential and limitations of polynomial graph filter learning approaches, revealing a severe overfitting issue. To improve the effectiveness of polynomial graph filters, we propose Auto-Polynomial, a novel and general automated polynomial graph filter learning framework that efficiently learns better filters capable of adapting to various complex graph signals. Comprehensive experiments and ablation studies demonstrate significant and consistent performance improvements on both homophilic and heterophilic graphs across multiple learning settings considering various labeling ratios, which unleashes the potential of polynomial filter learning.
• Abstract（参考訳）: グラフニューラルネットワーク(GNN)の設計の指針として多項グラフフィルタが広く用いられている。 近年, 多項式グラフフィルタの適応学習により, ホモ親和性グラフとヘテロ親和性グラフの両方上でのグラフ信号のモデリング性能が向上し, その柔軟性と表現性が向上した。 本研究では,多項式グラフフィルタ学習手法の可能性と限界を探究する新たな予備研究を行い,重度な過剰フィット問題を明らかにする。 多項式グラフフィルタの有効性を向上させるために,様々な複雑なグラフ信号に適応可能なフィルタを効率的に学習する,新規で汎用的な多項式グラフフィルタ学習フレームワークであるauto-polynomialを提案する。 総合的な実験とアブレーション研究により, 多項式フィルタ学習の可能性を解き放つ様々なラベリング比を考慮し, 複数の学習環境において, ホモ親和性グラフとヘテロ親和性グラフの両方に有意かつ一貫した性能改善が示された。

関連論文リスト

• Node-wise Filtering in Graph Neural Networks: A Mixture of Experts Approach [58.8524608686851]
  グラフニューラルネットワーク(GNN)は、多様なグラフ構造パターンをまたいだノード分類タスクに非常に効果的であることが証明されている。 伝統的に、GNNは均一なグローバルフィルタ(通常、ホモフィルグラフのローパスフィルタとヘテロフィルグラフのハイパスフィルタ)を用いる。 我々は,異なるノードに対する適切なフィルタを適応的に選択するために,専門家の混在を利用した新しいGNNフレームワークNode-MoEを紹介する。
  論文  参考訳（メタデータ） (2024-06-05T17:12:38Z)
• Optimizing Polynomial Graph Filters: A Novel Adaptive Krylov Subspace Approach [36.06398179717066]
  我々は,Krylov部分空間に基づく適応グラフフィルタを開発し,複素グラフをフィルタする。 我々は、一連の実世界のデータセットにまたがって広範な実験を行う。
  論文  参考訳（メタデータ） (2024-03-12T06:26:17Z)
• An Effective Universal Polynomial Basis for Spectral Graph Neural Networks [12.725906836609811]
  スペクトルグラフニューラルネットワーク(GNN)はヘテロフィリーグラフの出現率を高めている。 グラフヘテロフィリー次数を導入して適応的なヘテロフィリー基底を開発する。 そして、このヘテロフィ基底をホモフィ基底と統合し、普遍基底UniBasisを作成する。
  論文  参考訳（メタデータ） (2023-11-30T01:48:42Z)
• Towards Better Graph Representation Learning with Parameterized Decomposition & Filtering [27.374515964364814]
  我々は,既存のGNNモデルを統一した,新規で汎用的なフレームワークを開発する。 既存のモデルのスムーズさと増幅問題を緩和しつつ、GNNの柔軟性を高めるのにどのように役立つかを示す。
  論文  参考訳（メタデータ） (2023-05-10T12:42:31Z)
• Spectral Augmentations for Graph Contrastive Learning [50.149996923976836]
  コントラスト学習は、監督の有無にかかわらず、表現を学習するための第一の方法として現れてきた。 近年の研究では、グラフ表現学習における事前学習の有用性が示されている。 本稿では,グラフの対照的な目的に対する拡張を構築する際に,候補のバンクを提供するためのグラフ変換操作を提案する。
  論文  参考訳（メタデータ） (2023-02-06T16:26:29Z)
• Graph Filters for Signal Processing and Machine Learning on Graphs [83.29608206147515]
  グラフフィルタの包括的概要として、異なるフィルタリングカテゴリ、各タイプの設計戦略、異なるタイプのグラフフィルタ間のトレードオフなどを挙げる。 グラフフィルタをフィルタバンクやグラフニューラルネットワークに拡張して表現力を高める方法について論じる。 本稿の目的は、初心者と経験者の両方に統一的なフレームワークを提供することと、共通の理解を提供することです。
  論文  参考訳（メタデータ） (2022-11-16T11:56:45Z)
• A Piece-wise Polynomial Filtering Approach for Graph Neural Networks [0.45298395481707365]
  グラフニューラルネットワーク(GNN)は、ノードの特徴と入力グラフトポロジからの信号を利用して、ノード分類タスクのパフォーマンスを向上させる。 これらのモデルは、連結ノードが異なるラベルを持つヘテロ親和性グラフ上では性能が良くない傾向にある。 提案モデルでは,最先端モデルに対して最大5%の性能向上を実現し,従来のフィルタ方式よりも優れた性能を示す。
  論文  参考訳（メタデータ） (2021-12-07T05:16:53Z)
• Graph Neural Networks with Adaptive Frequency Response Filter [55.626174910206046]
  適応周波数応答フィルタを用いたグラフニューラルネットワークフレームワークAdaGNNを開発した。 提案手法の有効性を,様々なベンチマークデータセット上で実証的に検証した。
  論文  参考訳（メタデータ） (2021-04-26T19:31:21Z)
• Stacked Graph Filter [19.343260981528186]
  グラフ信号処理の観点から,グラフ畳み込みネットワーク(GCN)について検討する。 学習可能な解パラメータでグラフフィルタを積み重ねることで、高度に適応的で堅牢なグラフ分類モデルを構築することができる。
  論文  参考訳（メタデータ） (2020-11-22T11:20:14Z)
• FiGLearn: Filter and Graph Learning using Optimal Transport [49.428169585114496]
  信号観測からグラフとその生成フィルタを学習するための新しいグラフ信号処理フレームワークを提案する。 ごくわずかな情報しか得られない場合、このフレームワークが欠落した値を推測するのにどのように使えるかを示す。
  論文  参考訳（メタデータ） (2020-10-29T10:00:42Z)
• Multilayer Clustered Graph Learning [66.94201299553336]
  我々は、観測された層を代表グラフに適切に集約するために、データ忠実度用語として対照的な損失を用いる。 実験により,本手法がクラスタクラスタw.r.tに繋がることが示された。 クラスタリング問題を解くためのクラスタリングアルゴリズムを学習する。
  論文  参考訳（メタデータ） (2020-10-29T09:58:02Z)

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。