論文の概要: Filtration Surfaces for Dynamic Graph Classification

• arxiv url: http://arxiv.org/abs/2309.03616v2
• Date: Sat, 21 Oct 2023 09:12:24 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-25 07:42:38.195616
• Title: Filtration Surfaces for Dynamic Graph Classification
• Title（参考訳）: 動的グラフ分類のための濾過面
• Authors: Franz Srambical and Bastian Rieck
• Abstract要約: スケーラブルでフレキシブルな新しい方法である濾過面を提案する。 本モデルの有効性を実験的に検証し,従来の最先端ベースラインよりも濾過面が優れていることを示す。
• 参考スコア（独自算出の注目度）: 16.077163205806713
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Existing approaches for classifying dynamic graphs either lift graph kernels to the temporal domain, or use graph neural networks (GNNs). However, current baselines have scalability issues, cannot handle a changing node set, or do not take edge weight information into account. We propose filtration surfaces, a novel method that is scalable and flexible, to alleviate said restrictions. We experimentally validate the efficacy of our model and show that filtration surfaces outperform previous state-of-the-art baselines on datasets that rely on edge weight information. Our method does so while being either completely parameter-free or having at most one parameter, and yielding the lowest overall standard deviation among similarly scalable methods.
• Abstract（参考訳）: 動的グラフを分類するための既存のアプローチは、グラフカーネルを時間領域にリフトするか、グラフニューラルネットワーク(GNN)を使用する。 しかし、現在のベースラインにはスケーラビリティの問題があり、ノードセットの変更を処理できない、あるいはエッジウェイト情報を考慮していない。 我々は,その制約を緩和する,スケーラブルでフレキシブルな新しい方法である濾過面を提案する。 本モデルの有効性を実験的に検証し,エッジウエイト情報に依存するデータセットの最先端ベースラインよりも濾過表面が優れていることを示す。 提案手法は完全にパラメータフリーか最大1つのパラメータを持つかのいずれかであり、同様にスケーラブルな手法では標準偏差が最低となる。

関連論文リスト

• Revisiting Edge Perturbation for Graph Neural Network in Graph Data Augmentation and Attack [58.440711902319855]
  エッジ摂動はグラフ構造を変更する方法である。 グラフニューラルネットワーク(GNN)の性能への影響に基づき、2つの静脈に分類できる。 統一的な定式化を提案し、エッジ摂動法の2つのカテゴリ間の明確な境界を確立する。
  論文  参考訳（メタデータ） (2024-03-10T15:50:04Z)
• NeuralGF: Unsupervised Point Normal Estimation by Learning Neural Gradient Function [55.86697795177619]
  3次元点雲の正規推定は3次元幾何処理の基本的な課題である。 我々は,ニューラルネットワークが入力点雲に適合することを奨励する,ニューラルグラデーション関数の学習のための新しいパラダイムを導入する。 広範に使用されているベンチマークの優れた結果から,本手法は非指向性および指向性正常推定タスクにおいて,より正確な正規性を学習できることが示されている。
  論文  参考訳（メタデータ） (2023-11-01T09:25:29Z)
• Implicit Graph Neural Diffusion Networks: Convergence, Generalization, and Over-Smoothing [7.984586585987328]
  Inlicit Graph Neural Networks (GNN)は、グラフ学習問題に対処する上で大きな成功を収めた。 パラメータ化グラフラプラシアン演算子に基づく暗黙グラフ拡散層を設計するための幾何学的枠組みを提案する。 ディリクレエネルギー最小化問題の固定点方程式として, 暗黙のGNN層がどう見えるかを示す。
  論文  参考訳（メタデータ） (2023-08-07T05:22:33Z)
• Perturb Initial Features: Generalization of Neural Networks Under Sparse Features for Semi-supervised Node Classification [1.3190581566723918]
  グラフニューラルネットワーク(GNN)のための新しいデータ拡張戦略を提案する。 初期特徴と超平面の両方を反転させることで、学習可能なパラメータをより正確に更新する訓練スペースを新たに作成する。 実世界のデータセットを用いた実験により,提案手法はノード分類精度を46.5%向上させることができた。
  論文  参考訳（メタデータ） (2022-11-28T05:54:24Z)
• Optimal Propagation for Graph Neural Networks [51.08426265813481]
  最適グラフ構造を学習するための二段階最適化手法を提案する。 また、時間的複雑さをさらに軽減するために、低ランク近似モデルについても検討する。
  論文  参考訳（メタデータ） (2022-05-06T03:37:00Z)
• Scaling Up Graph Neural Networks Via Graph Coarsening [18.176326897605225]
  グラフニューラルネットワーク(GNN)のスケーラビリティは、マシンラーニングにおける大きな課題のひとつだ。 本稿では,GNNのスケーラブルなトレーニングにグラフ粗大化を用いることを提案する。 既成の粗大化法を単純に適用すれば,分類精度を著しく低下させることなく,ノード数を最大10倍に削減できることを示す。
  論文  参考訳（メタデータ） (2021-06-09T15:46:17Z)
• Training Robust Graph Neural Networks with Topology Adaptive Edge Dropping [116.26579152942162]
  グラフニューラルネットワーク(GNN)は、グラフ構造情報を利用してネットワークデータから表現をモデル化する処理アーキテクチャである。 彼らの成功にもかかわらず、GNNは限られた訓練データから得られる準最適一般化性能に悩まされている。 本稿では、一般化性能を改善し、堅牢なGNNモデルを学習するためのトポロジ適応エッジドロップ法を提案する。
  論文  参考訳（メタデータ） (2021-06-05T13:20:36Z)
• 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)
• Unrolling of Deep Graph Total Variation for Image Denoising [106.93258903150702]
  本稿では,従来のグラフ信号フィルタリングと深い特徴学習を併用して,競合するハイブリッド設計を提案する。 解釈可能な低パスグラフフィルタを用い、最先端のDL復調方式DnCNNよりも80%少ないネットワークパラメータを用いる。
  論文  参考訳（メタデータ） (2020-10-21T20:04:22Z)
• Graph Convolution with Low-rank Learnable Local Filters [32.00396411583352]
  本稿では,学習可能な低ランク局所フィルタを用いた新しいグラフ畳み込み手法を提案する。 従来のスペクトルグラフ畳み込み法よりも明らかに表現力が高い。 入力グラフデータに対する表現は理論的に証明され、グラフフィルタの局所性と局所グラフの正規化を利用する。
  論文  参考訳（メタデータ） (2020-08-04T20:34:59Z)

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。