論文の概要: Careful Selection and Thoughtful Discarding: Graph Explicit Pooling Utilizing Discarded Nodes

• arxiv url: http://arxiv.org/abs/2311.12644v1
• Date: Tue, 21 Nov 2023 14:44:51 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-23 00:15:30.369552
• Title: Careful Selection and Thoughtful Discarding: Graph Explicit Pooling Utilizing Discarded Nodes
• Title（参考訳）: 注意深い選択と思慮深い破棄: 廃棄されたノードを利用したグラフ明示的プーリング
• Authors: Chuang Liu, Wenhang Yu, Kuang Gao, Xueqi Ma, Yibing Zhan, Jia Wu, Bo Du, Wenbin Hu
• Abstract要約: 本稿では,ノードと最終表現ベクトルの関係を明示的に活用してノードを選択するグラフ明示プール法を提案する。 提案手法の有効性を検証するため,12種類の広く使用されているデータセットを対象とした総合的な実験を行った。
• 参考スコア（独自算出の注目度）: 53.08068729187698
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graph pooling has been increasingly recognized as crucial for Graph Neural Networks (GNNs) to facilitate hierarchical graph representation learning. Existing graph pooling methods commonly consist of two stages: selecting top-ranked nodes and discarding the remaining to construct coarsened graph representations. However, this paper highlights two key issues with these methods: 1) The process of selecting nodes to discard frequently employs additional Graph Convolutional Networks or Multilayer Perceptrons, lacking a thorough evaluation of each node's impact on the final graph representation and subsequent prediction tasks. 2) Current graph pooling methods tend to directly discard the noise segment (dropped) of the graph without accounting for the latent information contained within these elements. To address the first issue, we introduce a novel Graph Explicit Pooling (GrePool) method, which selects nodes by explicitly leveraging the relationships between the nodes and final representation vectors crucial for classification. The second issue is addressed using an extended version of GrePool (i.e., GrePool+), which applies a uniform loss on the discarded nodes. This addition is designed to augment the training process and improve classification accuracy. Furthermore, we conduct comprehensive experiments across 12 widely used datasets to validate our proposed method's effectiveness, including the Open Graph Benchmark datasets. Our experimental results uniformly demonstrate that GrePool outperforms 14 baseline methods for most datasets. Likewise, implementing GrePool+ enhances GrePool's performance without incurring additional computational costs.
• Abstract（参考訳）: グラフプーリングは、階層的グラフ表現学習を容易にするために、グラフニューラルネットワーク(gnn)にとって重要視されている。 既存のグラフプーリング手法は、2つの段階から成り立っている: 上位ノードを選択し、残りの要素を捨てて粗いグラフ表現を構成する。 しかし,本稿では,これらの手法の問題点を2つ紹介する。 1) ノードを破棄するプロセスはグラフ畳み込みネットワークや多層パーセプトロンを多用しており,各ノードが最終的なグラフ表現やその後の予測タスクに与える影響を十分に評価していない。 2)現在のグラフプーリング法は,これらの要素に含まれる潜在情報を考慮せずに,グラフのノイズセグメント(ドロップ)を直接破棄する傾向がある。 最初の問題に対処するために、ノードと分類に不可欠な最終表現ベクトルの関係を明示的に活用してノードを選択する新しいグラフ明示プール法(GrePool)を導入する。 第2の問題は、破棄されたノードに均一な損失を与えるGrePool(すなわち、GrePool+)の拡張バージョンを使用して対処される。 この追加により、トレーニングプロセスが強化され、分類精度が向上する。 さらに,オープングラフベンチマークデータセットを含む提案手法の有効性を検証するために,広く使用されている12のデータセットを対象とした包括的実験を行った。 実験結果は,greppoolが14のベースラインメソッドを上回っていることを一様に示す。 同様に、grepool+の実装は、追加の計算コストを伴わずにgrepoolのパフォーマンスを向上させる。

関連論文リスト

• Diversified Node Sampling based Hierarchical Transformer Pooling for Graph Representation Learning [15.248591535696146]
  ノードドロッププーリングは、学習可能なスコアリング関数を利用して、比較的低い価値スコアを持つノードをドロップすることを目的としている。 既存のメソッドは、主にGNNをバックボーンとするため、長距離依存関係のキャプチャに苦労している。 本稿では,GTPoolと呼ばれるグラフトランスフォーマープーリング手法を提案する。
  論文  参考訳（メタデータ） (2023-10-31T08:13:21Z)
• MPool: Motif-Based Graph Pooling [0.0]
  グラフニューラルネットワーク(GNN)は近年,グラフ分類を含む多くのグラフ関連タスクにおいて,強力な技術となっている。 マルチチャネルモチーフに基づくグラフポーリング手法(MPool)を提案する。 第1のチャネルとして、ノードのモチーフ隣接性を考慮したノードランキングモデルを設計し、ノード選択に基づくグラフプーリングを開発する。 第2のチャネルとして、モチーフアジャシエンスを用いたスペクトルクラスタリングモデルを設計し、クラスタベースのグラフプーリングを開発する。 最終層として、各チャネルの結果を最終グラフ表現に集約する。
  論文  参考訳（メタデータ） (2023-03-07T05:21:15Z)
• LiftPool: Lifting-based Graph Pooling for Hierarchical Graph Representation Learning [53.176603566951016]
  階層グラフ表現を改善するために,リフトプール (LiftPool) と呼ばれるリフトによる3段階法を提案する。 各ノードを削除するために、そのローカル情報は、隣接する保存ノードから集約されたグローバル情報を減らして得られる。 ベンチマークグラフデータセットの評価では、LiftPoolはグラフ分類のタスクにおいて最先端のグラフプーリング手法を大幅に上回っている。
  論文  参考訳（メタデータ） (2022-04-27T12:38:02Z)
• Edge but not Least: Cross-View Graph Pooling [76.71497833616024]
  本稿では,重要なグラフ構造情報を活用するために,クロスビューグラフプーリング(Co-Pooling)手法を提案する。 クロスビュー相互作用、エッジビュープーリング、ノードビュープーリングにより、相互にシームレスに強化され、より情報的なグラフレベルの表現が学習される。
  論文  参考訳（メタデータ） (2021-09-24T08:01:23Z)
• Accurate Learning of Graph Representations with Graph Multiset Pooling [45.72542969364438]
  本稿では,その構造的依存関係に応じてノード間の相互作用をキャプチャするグラフマルチセットトランス (GMT) を提案する。 実験の結果,GMTはグラフ分類ベンチマークにおいて,最先端のグラフプーリング法を著しく上回っていることがわかった。
  論文  参考訳（メタデータ） (2021-02-23T07:45:58Z)
• Second-Order Pooling for Graph Neural Networks [62.13156203025818]
  グラフプーリングとして2次プールを提案するが、これは上記の課題を自然に解決する。 グラフニューラルネットワークによる2次プールの直接利用は、実用的な問題を引き起こすことを示す。 本稿では,2次プールに基づく2つの新しいグローバルグラフプーリング手法,すなわちバイリニアマッピングと2次プールを提案する。
  論文  参考訳（メタデータ） (2020-07-20T20:52:36Z)
• 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)
• Structure-Feature based Graph Self-adaptive Pooling [65.4188800835203]
  グラフデータを扱うための新しいグラフ自己適応プーリング法を提案する。 本手法は, グラフ分類において有効であり, 最先端のグラフプーリング法より優れている。
  論文  参考訳（メタデータ） (2020-01-30T13:58:49Z)

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。