Fugu-MT 論文翻訳(概要): Prioritized Propagation in Graph Neural Networks

論文の概要: Prioritized Propagation in Graph Neural Networks

arxiv url: http://arxiv.org/abs/2311.02832v1
Date: Mon, 6 Nov 2023 02:38:35 GMT
ステータス: 処理完了
システム内更新日: 2023-11-07 15:38:21.212040
Title: Prioritized Propagation in Graph Neural Networks
Title（参考訳）: グラフニューラルネットワークにおける優先伝搬
Authors: Yao Cheng and Minjie Chen and Xiang Li and Caihua Shan and Ming Gao
Abstract要約: 本稿では,GNNにおいて優先度付けされたノード単位のメッセージ伝達を学習するための汎用フレームワークPProを提案する。具体的には、バックボーンGNNモデルと、ノードの最適な伝搬ステップを決定する伝搬制御器と、ノードの優先度スコアを計算する重み制御器とから構成される。 8つのベンチマークデータセット上で、我々のフレームワークを他の11の最先端の競合と比較するために、広範な実験を行います。
参考スコア（独自算出の注目度）: 17.749916004704442
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Graph neural networks (GNNs) have recently received significant attention. Learning node-wise message propagation in GNNs aims to set personalized propagation steps for different nodes in the graph. Despite the success, existing methods ignore node priority that can be reflected by node influence and heterophily. In this paper, we propose a versatile framework PPro, which can be integrated with most existing GNN models and aim to learn prioritized node-wise message propagation in GNNs. Specifically, the framework consists of three components: a backbone GNN model, a propagation controller to determine the optimal propagation steps for nodes, and a weight controller to compute the priority scores for nodes. We design a mutually enhanced mechanism to compute node priority, optimal propagation step and label prediction. We also propose an alternative optimization strategy to learn the parameters in the backbone GNN model and two parametric controllers. We conduct extensive experiments to compare our framework with other 11 state-of-the-art competitors on 8 benchmark datasets. Experimental results show that our framework can lead to superior performance in terms of propagation strategies and node representations.
Abstract（参考訳）: グラフニューラルネットワーク(GNN)が最近注目されている。 GNNにおけるノード単位のメッセージ伝搬の学習は、グラフ内の異なるノードに対してパーソナライズされた伝搬ステップを設定することを目的としている。成功にもかかわらず、既存のメソッドはノードの影響とヘテロフィリーによって反映されるノード優先度を無視している。本稿では,既存のほとんどのGNNモデルと統合可能な汎用フレームワークPProを提案する。具体的には、バックボーンGNNモデル、ノードの最適な伝搬ステップを決定する伝搬制御器、ノードの優先度スコアを計算する重み制御器の3つのコンポーネントで構成される。ノード優先度、最適な伝搬ステップ、ラベル予測を計算するための相互拡張機構を設計する。また、バックボーンGNNモデルと2つのパラメトリックコントローラのパラメータを学習するための代替最適化手法を提案する。 8つのベンチマークデータセットで、他の11の最先端の競合とフレームワークを比較するために、広範な実験を行いました。実験の結果,提案手法は伝播戦略とノード表現の面で優れた性能をもたらすことがわかった。

関連論文リスト

Conditional Local Feature Encoding for Graph Neural Networks [14.983942698240293]
グラフニューラルネットワーク(GNN)は,グラフベースのデータから学ぶ上で大きな成功を収めている。現在のGNNのキーとなるメカニズムはメッセージパッシングであり、ノードの機能は、その近隣から渡される情報に基づいて更新される。本研究では,局所的特徴符号化(CLFE)を提案する。
論文参考訳（メタデータ） (2024-05-08T01:51:19Z)
Learning How to Propagate Messages in Graph Neural Networks [55.2083896686782]
本稿では,グラフニューラルネットワーク(GNN)におけるメッセージ伝搬戦略の学習問題について検討する。本稿では,GNNパラメータの最大類似度推定を支援するために,最適伝搬ステップを潜時変数として導入する。提案フレームワークは,GNNにおけるメッセージのパーソナライズおよび解釈可能な伝達戦略を効果的に学習することができる。
論文参考訳（メタデータ） (2023-10-01T15:09:59Z)
DAG Matters! GFlowNets Enhanced Explainer For Graph Neural Networks [30.19635147123557]
我々はGFlowNetsベースのGNN Explainer(GFlowExplainer)という生成構造を提案する。我々のGFlowExplainerは、サブグラフの確率がその報酬に比例するサブグラフの分布を生成するポリシーを学習することを目的としています。我々は合成データと実データの両方について広範な実験を行い、質的および定量的な結果はGFlowExplainerの優位性を示している。
論文参考訳（メタデータ） (2023-03-04T16:15:25Z)
Neural Structured Prediction for Inductive Node Classification [29.908759584092167]
本稿では,ラベル付き学習グラフのモデルを学習し,未ラベルの試験グラフ上でノードラベルを推論するために一般化することを目的とした,帰納的環境におけるノード分類について検討する。本稿では,両者の利点を組み合わせたSPN(Structured Proxy Network)という新しいアプローチを提案する。
論文参考訳（メタデータ） (2022-04-15T15:50:27Z)
VQ-GNN: A Universal Framework to Scale up Graph Neural Networks using Vector Quantization [70.8567058758375]
VQ-GNNは、Vector Quantization(VQ)を使用して、パフォーマンスを損なうことなく、畳み込みベースのGNNをスケールアップするための普遍的なフレームワークである。我々のフレームワークは,グラフ畳み込み行列の低ランク版と組み合わせた量子化表現を用いて,GNNの「隣の爆発」問題を回避する。
論文参考訳（メタデータ） (2021-10-27T11:48:50Z)
Feature Correlation Aggregation: on the Path to Better Graph Neural Networks [37.79964911718766]
グラフニューラルネットワーク(GNN)が導入される以前、不規則なデータ、特にグラフのモデリングと解析は、ディープラーニングのアキレスのヒールであると考えられていた。本稿では,GNNのコア操作に対して,極めて単純かつ無作為な修正を施した中央ノード置換変分関数を提案する。モデルの具体的な性能向上は、モデルがより少ないパラメータを使用しながら、有意なマージンで過去の最先端結果を上回った場合に観察される。
論文参考訳（メタデータ） (2021-09-20T05:04:26Z)
Interpreting and Unifying Graph Neural Networks with An Optimization Framework [47.44773358082203]
グラフニューラルネットワーク(GNN)は、グラフ構造化データ学習に大きな注目を集めている。本稿では,異なる伝搬機構と統一最適化問題との驚くほどの関連性を確立する。提案する統一最適化フレームワークは,いくつかの代表的GNN間の共通性を要約し,柔軟に新しいGNNを設計する新たな機会を開く。
論文参考訳（メタデータ） (2021-01-28T08:06:02Z)
Distance Encoding: Design Provably More Powerful Neural Networks for Graph Representation Learning [63.97983530843762]
グラフニューラルネットワーク(GNN)はグラフ表現学習において大きな成功を収めている。 GNNは、実際には非常に異なるグラフ部分構造に対して同一の表現を生成する。より強力なGNNは、最近高階試験を模倣して提案され、基礎となるグラフ構造を疎結合にできないため、非効率である。本稿では,グラフ表現学習の新たなクラスとして距離分解(DE)を提案する。
論文参考訳（メタデータ） (2020-08-31T23:15:40Z)
Policy-GNN: Aggregation Optimization for Graph Neural Networks [60.50932472042379]
グラフニューラルネットワーク(GNN)は、局所的なグラフ構造をモデル化し、隣人からの情報を集約することで階層的なパターンを捉えることを目的としている。複雑なグラフとスパースな特徴を与えられた各ノードに対して効果的なアグリゲーション戦略を開発することは難しい課題である。本稿では,GNNのサンプリング手順とメッセージパッシングを複合学習プロセスにモデル化するメタ政治フレームワークであるPolicy-GNNを提案する。
論文参考訳（メタデータ） (2020-06-26T17:03:06Z)
Binarized Graph Neural Network [65.20589262811677]
我々は二項化グラフニューラルネットワークを開発し、二項化ネットワークパラメータを用いてノードのバイナリ表現を学習する。提案手法は既存のGNNベースの埋め込み手法にシームレスに統合できる。実験により、提案された二項化グラフニューラルネットワーク、すなわちBGNは、時間と空間の両方の観点から、桁違いに効率的であることが示されている。
論文参考訳（メタデータ） (2020-04-19T09:43:14Z)
Bilinear Graph Neural Network with Neighbor Interactions [106.80781016591577]
グラフニューラルネットワーク(GNN)は,グラフデータ上で表現を学習し,予測を行う強力なモデルである。本稿では,グラフ畳み込み演算子を提案し,隣接するノードの表現の対の相互作用で重み付け和を増大させる。このフレームワークをBGNN(Bilinear Graph Neural Network)と呼び、隣ノード間の双方向相互作用によるGNN表現能力を向上させる。
論文参考訳（メタデータ） (2020-02-10T06:43:38Z)

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。