論文の概要: HoloNets: Spectral Convolutions do extend to Directed Graphs
- arxiv url: http://arxiv.org/abs/2310.02232v2
- Date: Fri, 10 Nov 2023 15:34:22 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-13 17:40:00.379162
- Title: HoloNets: Spectral Convolutions do extend to Directed Graphs
- Title（参考訳）: HoloNets: スペクトル畳み込みは方向性グラフに拡張される
- Authors: Christian Koke, Daniel Cremers
- Abstract要約: 従来の知恵は、スペクトル畳み込みネットワークは無向グラフ上にしか展開できないと規定している。
ここでは、このグラフフーリエ変換への伝統的な依存が超フルであることを示す。
本稿では,新たに開発されたフィルタの周波数応答解釈を行い,フィルタ表現に使用するベースの影響を調査し,ネットワークを基盤とする特性演算子との相互作用について議論する。
- 参考スコア（独自算出の注目度）: 59.851175771106625
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Within the graph learning community, conventional wisdom dictates that
spectral convolutional networks may only be deployed on undirected graphs: Only
there could the existence of a well-defined graph Fourier transform be
guaranteed, so that information may be translated between spatial- and spectral
domains. Here we show this traditional reliance on the graph Fourier transform
to be superfluous and -- making use of certain advanced tools from complex
analysis and spectral theory -- extend spectral convolutions to directed
graphs. We provide a frequency-response interpretation of newly developed
filters, investigate the influence of the basis used to express filters and
discuss the interplay with characteristic operators on which networks are
based. In order to thoroughly test the developed theory, we conduct experiments
in real world settings, showcasing that directed spectral convolutional
networks provide new state of the art results for heterophilic node
classification on many datasets and -- as opposed to baselines -- may be
rendered stable to resolution-scale varying topological perturbations.
- Abstract（参考訳）: グラフ学習コミュニティ内では、従来の知識は、スペクトル畳み込みネットワークは無向グラフにのみ展開できる、と定めている。
ここでは、グラフフーリエ変換への伝統的な依存が超流動であることを示し、複素解析やスペクトル理論の高度なツールを用いて、スペクトル畳み込みを有向グラフに拡張する。
本稿では,新たに開発されたフィルタの周波数応答解釈を行い,フィルタ表現に使用するベースの影響を調査し,ネットワークを基盤とする特性演算子との相互作用について議論する。
開発した理論を徹底的に検証するために,実世界における実験を行い,有向スペクトル畳み込みネットワークは,多くのデータセットにおける親和性ノード分類のための新たな技術結果を提供し,ベースラインとは対照的に,解像度スケールの異なる位相摂動に対して安定的に表現できることを示した。
関連論文リスト
- GrassNet: State Space Model Meets Graph Neural Network [57.62885438406724]
Graph State Space Network (GrassNet)は、任意のグラフスペクトルフィルタを設計するためのシンプルで効果的なスキームを提供する理論的なサポートを持つ、新しいグラフニューラルネットワークである。
我々の知る限り、我々の研究はグラフGNNスペクトルフィルタの設計にSSMを使った最初のものである。
9つの公開ベンチマークでの大規模な実験により、GrassNetは現実世界のグラフモデリングタスクにおいて優れたパフォーマンスを達成することが明らかになった。
論文 参考訳（メタデータ） (2024-08-16T07:33:58Z) - Spectral Invariant Learning for Dynamic Graphs under Distribution Shifts [57.19908334882441]
動的グラフニューラルネットワーク(DyGNN)は現在、動的グラフ固有の分散シフトを扱うのに苦労している。
本稿では,スペクトル領域における動的グラフの分布変化を初めて研究する。
論文 参考訳（メタデータ） (2024-03-08T04:07:23Z) - Rethinking Spectral Graph Neural Networks with Spatially Adaptive Filtering [31.595664867365322]
スペクトルグラフニューラルネットワーク(GNN)はスペクトル領域において十分に確立されているが、近似への実際の依存は空間領域への深いリンクを意味する。
スペクトルと空間アグリゲーションの間に理論的な関係を確立し、スペクトルが元のグラフを適応した新しいグラフに暗黙的に導く本質的な相互作用を明らかにする。
本稿では,非局所的な補助的なアグリゲーションのためのスペクトルフィルタリングにより適応された新しいグラフを利用する空間適応フィルタリング(SAF)フレームワークを提案する。
論文 参考訳（メタデータ） (2024-01-17T09:12:31Z) - Specformer: Spectral Graph Neural Networks Meet Transformers [51.644312964537356]
スペクトルグラフニューラルネットワーク(GNN)は、スペクトル領域グラフ畳み込みを通じてグラフ表現を学習する。
本稿では、全ての固有値の集合を効果的に符号化し、スペクトル領域で自己アテンションを行うSpecformerを紹介する。
複数のSpecformerレイヤを積み重ねることで、強力なスペクトルGNNを構築することができる。
論文 参考訳（メタデータ） (2023-03-02T07:36:23Z) - Spectral Graph Convolutional Networks With Lifting-based Adaptive Graph
Wavelets [81.63035727821145]
スペクトルグラフ畳み込みネットワーク(SGCN)はグラフ表現学習において注目を集めている。
本稿では,適応グラフウェーブレットを用いたグラフ畳み込みを実装した新しいスペクトルグラフ畳み込みネットワークを提案する。
論文 参考訳（メタデータ） (2021-08-03T17:57:53Z) - Spectral-Spatial Global Graph Reasoning for Hyperspectral Image
Classification [50.899576891296235]
畳み込みニューラルネットワークは、ハイパースペクトル画像分類に広く応用されている。
近年の手法は空間トポロジのグラフ畳み込みによってこの問題に対処しようとしている。
論文 参考訳（メタデータ） (2021-06-26T06:24:51Z) - An Experimental Study of the Transferability of Spectral Graph Networks [5.736353542430439]
スペクトルグラフ畳み込みネットワーク(spectral graph convolutional network)は、ラプラシアン作用素を用いたグラフ構造化データのための標準畳み込みネットワークの一般化である。
近年の研究では、グラフベンチマークによるスペクトルフィルタの安定性が証明されている。
論文 参考訳（メタデータ） (2020-12-18T14:15:07Z) - Bridging the Gap Between Spectral and Spatial Domains in Graph Neural
Networks [8.563354084119062]
空間領域やスペクトル領域におけるグラフ畳み込み過程の等価性を示す。
提案フレームワークは、空間領域に適用しながら、独自の周波数プロファイルを持つスペクトル領域の新しい畳み込みを設計するために使用される。
論文 参考訳（メタデータ） (2020-03-26T01:49:24Z)
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。