論文の概要: Graph topological property recovery with heat and wave dynamics-based features on graphsD

• arxiv url: http://arxiv.org/abs/2309.09924v1
• Date: Mon, 18 Sep 2023 16:39:51 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-19 12:21:45.633478
• Title: Graph topological property recovery with heat and wave dynamics-based features on graphsD
• Title（参考訳）: 熱・波動ダイナミクスに基づくグラフD上のグラフトポロジカル特性の回復
• Authors: Dhananjay Bhaskar, Yanlei Zhang, Charles Xu, Xingzhi Sun, Oluwadamilola Fasina, Guy Wolf, Maximilian Nickel, Michael Perlmutter and Smita Krishnaswamy
• Abstract要約: グラフ微分方程式ネットワーク(英: Graph Differential Equation Network、GDeNet)は、グラフ上のPDEに対するソリューションの表現力を利用して連続ノードおよびグラフレベルの表現を得るアプローチである。 熱方程式と波動方程式の力学をグラフのスペクトル特性に結びつける理論結果と,グラフ上の連続時間ランダムウォークの挙動を導出する。 引用グラフ,薬物様分子,タンパク質を含む実世界のデータセットにおいて,GDeNetの優れた性能を示す。
• 参考スコア（独自算出の注目度）: 22.382203177524424
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this paper, we propose Graph Differential Equation Network (GDeNet), an approach that harnesses the expressive power of solutions to PDEs on a graph to obtain continuous node- and graph-level representations for various downstream tasks. We derive theoretical results connecting the dynamics of heat and wave equations to the spectral properties of the graph and to the behavior of continuous-time random walks on graphs. We demonstrate experimentally that these dynamics are able to capture salient aspects of graph geometry and topology by recovering generating parameters of random graphs, Ricci curvature, and persistent homology. Furthermore, we demonstrate the superior performance of GDeNet on real-world datasets including citation graphs, drug-like molecules, and proteins.
• Abstract（参考訳）: 本稿では,グラフ上のPDEに対する解の表現力を生かしたグラフ微分方程式ネットワーク(GDeNet)を提案する。 熱方程式と波動方程式の力学をグラフのスペクトル特性に結びつける理論結果と,グラフ上の連続時間ランダムウォークの挙動を導出する。 これらの力学は,ランダムグラフ,リッチ曲率,永続ホモロジーの生成パラメータを回復することで,グラフ幾何学とトポロジーの有意義な側面を捉えることができることを実験的に証明する。 さらに, 引用グラフ, 薬物様分子, タンパク質など, 現実世界のデータセットにおけるgdenetの優れた性能を示す。

関連論文リスト

• Dynamic Causal Explanation Based Diffusion-Variational Graph Neural Network for Spatio-temporal Forecasting [60.03169701753824]
  時間予測のための動的拡散型グラフニューラルネットワーク(DVGNN)を提案する。 提案したDVGNNモデルは最先端のアプローチよりも優れ,Root Mean Squared Errorの結果が優れている。
  論文  参考訳（メタデータ） (2023-05-16T11:38:19Z)
• Decoupled Graph Neural Networks for Large Dynamic Graphs [14.635923016087503]
  大規模動的グラフのための疎結合グラフニューラルネットワークを提案する。 このアルゴリズムは,両種類の動的グラフにおいて,最先端の性能を実現する。
  論文  参考訳（メタデータ） (2023-05-14T23:00:10Z)
• Learning Dynamic Graph Embeddings with Neural Controlled Differential Equations [21.936437653875245]
  本稿では,時間的相互作用を持つ動的グラフの表現学習に焦点を当てる。 本稿では,ノード埋め込みトラジェクトリの連続的動的進化を特徴付ける動的グラフに対する一般化微分モデルを提案する。 本フレームワークは,セグメントを統合せずにグラフの進化を動的に表現できる機能など,いくつかの望ましい特徴を示す。
  論文  参考訳（メタデータ） (2023-02-22T12:59:38Z)
• Latent Graph Inference using Product Manifolds [0.0]
  遅延グラフ学習のための離散微分可能グラフモジュール(dDGM)を一般化する。 我々の新しいアプローチは、幅広いデータセットでテストされ、元のdDGMモデルよりも優れています。
  論文  参考訳（メタデータ） (2022-11-26T22:13:06Z)
• Learning Graph Structure from Convolutional Mixtures [119.45320143101381]
  本稿では、観測されたグラフと潜伏グラフのグラフ畳み込み関係を提案し、グラフ学習タスクをネットワーク逆(デコンボリューション)問題として定式化する。 固有分解に基づくスペクトル法の代わりに、近似勾配反復をアンロール・トランケートして、グラフデコンボリューションネットワーク(GDN)と呼ばれるパラメータ化ニューラルネットワークアーキテクチャに到達させる。 GDNは、教師付き方式でグラフの分布を学習し、損失関数を適応させることでリンク予測やエッジウェイト回帰タスクを実行し、本質的に帰納的である。
  論文  参考訳（メタデータ） (2022-05-19T14:08:15Z)
• Score-based Generative Modeling of Graphs via the System of Stochastic Differential Equations [57.15855198512551]
  本稿では,連続時間フレームワークを用いたグラフのスコアベース生成モデルを提案する。 本手法は, トレーニング分布に近い分子を生成できるが, 化学価数則に違反しないことを示す。
  論文  参考訳（メタデータ） (2022-02-05T08:21:04Z)
• Non-separable Spatio-temporal Graph Kernels via SPDEs [90.62347738138594]
  グラフ上の時間的原理モデリングのためのグラフカーネルを提供する。 グラフをモデリングするための新しいツールを提供することで、既存のグラフカーネルを現実のアプリケーションで上回ります。
  論文  参考訳（メタデータ） (2021-11-16T14:53:19Z)
• Graph Pooling with Node Proximity for Hierarchical Representation Learning [80.62181998314547]
  本稿では,ノード近接を利用したグラフプーリング手法を提案し,そのマルチホップトポロジを用いたグラフデータの階層的表現学習を改善する。 その結果,提案したグラフプーリング戦略は,公開グラフ分類ベンチマークデータセットの集合において,最先端のパフォーマンスを達成できることが示唆された。
  論文  参考訳（メタデータ） (2020-06-19T13:09:44Z)
• Asymptotic entropy of the Gibbs state of complex networks [68.8204255655161]
  ギブス状態はグラフに関連付けられたラプラシアン行列、正規化ラプラシアン行列、または隣接行列から得られる。 数種類のグラフに対してギブス状態のエントロピーを計算し,その挙動をグラフの順序や温度を変化させて検討した。 この結果から,温度関数としてのギブズエントロピーの挙動は,ランダムなエルドホス・ルネニグラフと比較して実ネットワークの選択において異なることが示された。
  論文  参考訳（メタデータ） (2020-03-18T18:01:28Z)

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。