論文の概要: Learning Graph Filters for Spectral GNNs via Newton Interpolation
- arxiv url: http://arxiv.org/abs/2310.10064v1
- Date: Mon, 16 Oct 2023 04:57:30 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-17 16:27:20.057977
- Title: Learning Graph Filters for Spectral GNNs via Newton Interpolation
- Title(参考訳): ニュートン補間によるスペクトルgnnの学習グラフフィルタ
- Authors: Junjie Xu, Enyan Dai, Dongsheng Luo, Xiang Zhang, Suhang Wang
- Abstract要約: スペクトルグラフネットワーク(GNN)は、スペクトルフィルタを学習することで、メッセージパスGNNの限界を超えることができる。
低周波フィルタはホモフィリーと正の相関を持ち、高周波フィルタは負の相関を持つ。
NewtonNetは、望まれるフィルタ形状をうまく達成し、同好性データセットと異好性データセットの両方で優れた形状認識性能を示す。
- 参考スコア(独自算出の注目度): 39.30388556775591
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Spectral Graph Neural Networks (GNNs) are gaining attention because they can
surpass the limitations of message-passing GNNs by learning spectral filters
that capture essential frequency information in graph data through task
supervision. However, previous research suggests that the choice of filter
frequency is tied to the graph's homophily level, a connection that hasn't been
thoroughly explored in existing spectral GNNs. To address this gap, the study
conducts both theoretical and empirical analyses, revealing that low-frequency
filters have a positive correlation with homophily, while high-frequency
filters have a negative correlation. This leads to the introduction of a
shape-aware regularization technique applied to a Newton Interpolation-based
spectral filter, enabling the customization of polynomial spectral filters that
align with desired homophily levels. Extensive experiments demonstrate that
NewtonNet successfully achieves the desired filter shapes and exhibits superior
performance on both homophilous and heterophilous datasets.
- Abstract(参考訳): GNN(Spectral Graph Neural Networks)は、タスク管理を通じてグラフデータの本質的な周波数情報をキャプチャするスペクトルフィルタを学習することで、メッセージ通過GNNの限界を超えることができるため、注目を集めている。
しかし、従来の研究ではフィルタ周波数の選択はグラフのホモフィリーレベルに結びついており、既存のスペクトルgnnでは十分に研究されていない。
このギャップに対処するため、この研究では、低周波フィルタが正の正の相関を持つ一方、高周波フィルタは負の相関を持つことを示した。
これにより、ニュートン補間に基づくスペクトルフィルタに適用された形状認識正規化技術が導入され、所望のホモフィリーレベルに合わせた多項式スペクトルフィルタのカスタマイズが可能になった。
広範な実験により、ニュートンネットは所望のフィルタ形状を達成でき、ホモフィラスデータセットとヘテロフィラスデータセットの両方で優れた性能を示すことが示されている。
関連論文リスト
- Cross-Space Adaptive Filter: Integrating Graph Topology and Node
Attributes for Alleviating the Over-smoothing Problem [39.347616859256256]
グラフ畳み込みネットワーク(GCN)は低域フィルタを用いてグラフトポロジから低周波信号を抽出する。
グラフトポロジから抽出した余分なフィルタを組み込んで適応フィルタを作成するための様々な手法が提案されている。
本研究では、位相空間と属性空間の両方から抽出された適応周波数情報を生成するために、CSFと呼ばれるクロススペース適応フィルタを提案する。
論文 参考訳(メタデータ) (2024-01-26T14:02:29Z) - 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) - HoloNets: Spectral Convolutions do extend to Directed Graphs [59.851175771106625]
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。
論文 参考訳(メタデータ) (2023-10-03T17:42:09Z) - 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) - Node-oriented Spectral Filtering for Graph Neural Networks [38.0315325181726]
グラフニューラルネットワーク(GNN)は、ホモ親和性グラフデータに顕著な性能を示す。
一般に、グローバルな視点からグラフ上の普遍的なスペクトルフィルタを学習することは、局所的なパターンの変化に適応する上で非常に困難である。
グラフニューラルネットワーク(NFGNN)のためのノード指向スペクトルフィルタリングを提案する。
論文 参考訳(メタデータ) (2022-12-07T14:15:28Z) - Stability to Deformations of Manifold Filters and Manifold Neural
Networks [97.81148499653452]
本論文は、多様体(M)畳み込みフィルタとニューラルネットワーク(NN)を定義し、研究する。
この論文の主な技術的貢献は、多様体の滑らかな変形に対する多様体フィルタとMNNの安定性を分析することである。
論文 参考訳(メタデータ) (2021-06-07T15:41:03Z) - 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)
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。