論文の概要: A Causal Disentangled Multi-Granularity Graph Classification Method
- arxiv url: http://arxiv.org/abs/2310.16256v1
- Date: Wed, 25 Oct 2023 00:20:50 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-26 17:40:23.720823
- Title: A Causal Disentangled Multi-Granularity Graph Classification Method
- Title(参考訳): 因果不等角多粒度グラフの分類法
- Authors: Yuan Li, Li Liu, Penggang Chen, Youmin Zhang, Guoyin Wang
- Abstract要約: いくつかのグラフ分類法は、グラフデータの多重粒度特性を結合しない。
本稿では,この課題を解決するために,因果不整合多粒性グラフ表現学習法(CDM-GNN)を提案する。
このモデルは強力な分類性能を示し、人間の認知パターンに沿った説明結果を生成する。
- 参考スコア(独自算出の注目度): 18.15154299104419
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Graph data widely exists in real life, with large amounts of data and complex
structures. It is necessary to map graph data to low-dimensional embedding.
Graph classification, a critical graph task, mainly relies on identifying the
important substructures within the graph. At present, some graph classification
methods do not combine the multi-granularity characteristics of graph data.
This lack of granularity distinction in modeling leads to a conflation of key
information and false correlations within the model. So, achieving the desired
goal of a credible and interpretable model becomes challenging. This paper
proposes a causal disentangled multi-granularity graph representation learning
method (CDM-GNN) to solve this challenge. The CDM-GNN model disentangles the
important substructures and bias parts within the graph from a
multi-granularity perspective. The disentanglement of the CDM-GNN model reveals
important and bias parts, forming the foundation for its classification task,
specifically, model interpretations. The CDM-GNN model exhibits strong
classification performance and generates explanatory outcomes aligning with
human cognitive patterns. In order to verify the effectiveness of the model,
this paper compares the three real-world datasets MUTAG, PTC, and IMDM-M. Six
state-of-the-art models, namely GCN, GAT, Top-k, ASAPool, SUGAR, and SAT are
employed for comparison purposes. Additionally, a qualitative analysis of the
interpretation results is conducted.
- Abstract(参考訳): グラフデータは、大量のデータと複雑な構造を持つ実生活に広く存在する。
グラフデータを低次元埋め込みにマッピングする必要がある。
重要なグラフタスクであるグラフ分類は、主にグラフ内の重要なサブ構造を特定することに依存する。
現在、いくつかのグラフ分類法はグラフデータの多重粒度特性を結合していない。
このモデリングにおける粒度の区別の欠如は、重要な情報とモデル内の偽相関の融合につながる。
したがって、信頼できる解釈可能なモデルの望ましい目標を達成することは困難になる。
本稿では,因果不整合多粒性グラフ表現学習法(CDM-GNN)を提案する。
CDM-GNNモデルは、多粒性の観点から、グラフ内の重要な部分構造とバイアス部分を切り離す。
CDM-GNNモデルの歪みは重要部分とバイアス部分を明らかにし、その分類タスク、特にモデル解釈の基礎を形成する。
CDM-GNNモデルは強い分類性能を示し、人間の認知パターンに沿った説明結果を生成する。
本稿では,本モデルの有効性を検証するために,実世界の3つのデータセットMUTAG, PTC, IMDM-Mを比較した。
GCN、GAT、Top-k、ASAPool、SUGAR、SATの6つの最先端モデルが比較目的で使用されている。
また、解釈結果の質的分析を行う。
関連論文リスト
- Neural Graph Pattern Machine [50.78679002846741]
本稿では,グラフパターンから直接学習するためのフレームワークであるNeural Graph Pattern Machine (GPM)を提案する。
GPMは、下流タスクにおいて最も関連性の高いものを特定しながら、下位構造を効率的に抽出し、エンコードする。
論文 参考訳(メタデータ) (2025-01-30T20:37:47Z) - Revisiting Graph Neural Networks on Graph-level Tasks: Comprehensive Experiments, Analysis, and Improvements [54.006506479865344]
グラフレベルグラフニューラルネットワーク(GNN)のための統一評価フレームワークを提案する。
このフレームワークは、さまざまなデータセットにわたるGNNを評価するための標準化された設定を提供する。
また,表現性の向上と一般化機能を備えた新しいGNNモデルを提案する。
論文 参考訳(メタデータ) (2025-01-01T08:48:53Z) - Towards Data-centric Machine Learning on Directed Graphs: a Survey [23.498557237805414]
本稿では,有向グラフ学習研究のための新しい分類法を提案する。
我々はこれらの手法をデータ中心の観点から再検討し、データ表現の理解と改善に重点を置いている。
我々はこの分野における主要な機会と課題を特定し、有向グラフ学習における将来の研究と開発を導く洞察を提供する。
論文 参考訳(メタデータ) (2024-11-28T06:09:12Z) - Conditional Distribution Learning on Graphs [15.730933577970687]
半教師付きグラフ分類のためのグラフ構造化データからグラフ表現を学習する条件分布学習(CDL)法を提案する。
具体的には、元の特徴に対して弱機能および強拡張機能の条件分布を整列するエンドツーエンドグラフ表現学習モデルを提案する。
論文 参考訳(メタデータ) (2024-11-20T07:26:36Z) - Introducing Diminutive Causal Structure into Graph Representation Learning [19.132025125620274]
本稿では,グラフニューラルネット(GNN)が専門的な最小の因果構造から洞察を得ることを可能にする新しい手法を提案する。
本手法は,これらの小型因果構造のモデル表現から因果知識を抽出する。
論文 参考訳(メタデータ) (2024-06-13T00:18:20Z) - Generating the Graph Gestalt: Kernel-Regularized Graph Representation
Learning [47.506013386710954]
グラフデータの完全な科学的理解は、グローバル構造とローカル構造の両方に対処する必要がある。
本稿では,グラフVAEフレームワークにおける相補的目的として,両者のジョイントモデルを提案する。
実験により,生成したグラフ構造の現実性は,典型的には1-2桁のグラフ構造メトリクスによって著しく向上したことが示された。
論文 参考訳(メタデータ) (2021-06-29T10:48:28Z) - A Deep Latent Space Model for Graph Representation Learning [10.914558012458425]
本稿では,従来の潜時変動に基づく生成モデルをディープラーニングフレームワークに組み込むために,有向グラフのための深潜時空間モデル(DLSM)を提案する。
提案モデルは,階層的変動型オートエンコーダアーキテクチャによって階層的に接続されるグラフ畳み込みネットワーク(GCN)エンコーダとデコーダから構成される。
実世界のデータセットにおける実験により,提案モデルがリンク予測とコミュニティ検出の両タスクにおける最先端のパフォーマンスを達成することを示す。
論文 参考訳(メタデータ) (2021-06-22T12:41:19Z) - Graph Classification by Mixture of Diverse Experts [67.33716357951235]
我々は,不均衡なグラフ分類に多様な専門家の混在を利用したフレームワークであるGraphDIVEを提案する。
GraphDIVEは、分割と並列の原則により、不均衡なグラフデータセットを複数のサブセットに分割するゲーティングネットワークを採用しています。
実世界の不均衡グラフデータセットに関する実験は、GraphDIVEの有効性を示している。
論文 参考訳(メタデータ) (2021-03-29T14:03:03Z) - 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) - Block-Approximated Exponential Random Graphs [77.4792558024487]
指数乱グラフ(ERG)の分野における重要な課題は、大きなグラフ上の非自明なERGの適合である。
本稿では,非自明なERGに対する近似フレームワークを提案する。
我々の手法は、数百万のノードからなるスパースグラフにスケーラブルである。
論文 参考訳(メタデータ) (2020-02-14T11:42:16Z)
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。