Fugu-MT 論文翻訳(概要): Content Augmented Graph Neural Networks

論文の概要: Content Augmented Graph Neural Networks

arxiv url: http://arxiv.org/abs/2311.12741v2
Date: Sat, 7 Sep 2024 08:18:47 GMT
ステータス: 処理完了
システム内更新日: 2024-09-11 03:42:43.872048
Title: Content Augmented Graph Neural Networks
Title（参考訳）: コンテンツ強化グラフニューラルネットワーク
Authors: Fatemeh Gholamzadeh Nasrabadi, AmirHossein Kashani, Pegah Zahedi, Mostafa Haghir Chehreghani,
Abstract要約: 本稿では, ノードの埋め込みを, コンテンツから生成された埋め込みによって, 上位のGNN層に拡張することを提案する。自動エンコーダやコンテンツグラフの構築など,コンテンツ埋め込みを生成する手法を提案する。
参考スコア（独自算出の注目度）: 0.824969449883056
License: http://creativecommons.org/licenses/by/4.0/
Abstract: In recent years, graph neural networks (GNNs) have become a popular tool for solving various problems over graphs. In these models, the link structure of the graph is typically exploited and nodes' embeddings are iteratively updated based on adjacent nodes. Nodes' contents are used solely in the form of feature vectors, served as nodes' first-layer embeddings. However, the filters or convolutions, applied during iterations/layers to these initial embeddings lead to their impact diminish and contribute insignificantly to the final embeddings. In order to address this issue, in this paper we propose augmenting nodes' embeddings by embeddings generated from their content, at higher GNN layers. More precisely, we propose models wherein a structural embedding using a GNN and a content embedding are computed for each node. These two are combined using a combination layer to form the embedding of a node at a given layer layer. We suggest methods such as using an auto-encoder or building a content graph, to generate content embeddings. In the end, by conducting experiments over several real-world datasets, we demonstrate the high accuracy and performance of our models.
Abstract（参考訳）: 近年,グラフニューラルネットワーク(GNN)は,グラフ上のさまざまな問題を解決するツールとして人気が高まっている。これらのモデルでは、グラフのリンク構造が一般的に利用され、隣接ノードに基づいてノードの埋め込みが反復的に更新される。ノードの内容は機能ベクトルの形でのみ使用され、ノードの第一層埋め込みとして機能する。しかしながら、これらの初期埋め込みに繰り返し/層に適用されるフィルタや畳み込みは、それらの影響を減少させ、最終的な埋め込みに無意味に寄与する。この問題に対処するために,本論文では,コンテンツから生成された埋め込みを高層GNN層に埋め込むことにより,ノードの埋め込みを増大させる手法を提案する。より正確には、GNNとコンテンツ埋め込みを用いた構造埋め込みを各ノードに対して計算するモデルを提案する。これら2つの組み合わせは、結合層を使用して、所定の層層にノードの埋め込みを形成する。自動エンコーダやコンテンツグラフの構築など,コンテンツ埋め込みを生成する手法を提案する。最終的に、複数の実世界のデータセット上で実験を行うことで、モデルの精度と性能を実証する。

関連論文リスト

GraphViz2Vec: A Structure-aware Feature Generation Model to Improve Classification in GNNs [2.0823678201707034]
GNNはノード分類やリンク予測など,さまざまなタスクの解決に広く利用されている。本稿では,ノードの近傍構造情報を抽出する特徴抽出手法GraphViz2Vecを提案する。これらの初期埋め込みは、様々な分類タスクにおいて、既存のモデルが最先端の結果を達成するのに役立つ。
論文参考訳（メタデータ） (2024-01-30T17:11:04Z)
Deep Manifold Graph Auto-Encoder for Attributed Graph Embedding [51.75091298017941]
本稿では,属性付きグラフデータに対する新しいDeep Manifold (Variational) Graph Auto-Encoder (DMVGAE/DMGAE)を提案する。提案手法は,最先端のベースラインアルゴリズムを,一般的なデータセット間でのダウンストリームタスクの差を大きく越える。
論文参考訳（メタデータ） (2024-01-12T17:57:07Z)
Degree-based stratification of nodes in Graph Neural Networks [66.17149106033126]
グラフニューラルネットワーク(GNN)アーキテクチャを変更して,各グループのノードに対して,重み行列を個別に学習する。このシンプルな実装変更により、データセットとGNNメソッドのパフォーマンスが改善されているようだ。
論文参考訳（メタデータ） (2023-12-16T14:09:23Z)
Collaborative Graph Neural Networks for Attributed Network Embedding [63.39495932900291]
グラフニューラルネットワーク(GNN)は、属性付きネットワーク埋め込みにおいて顕著な性能を示している。本稿では,ネットワーク埋め込みに適したGNNアーキテクチャであるCulaborative graph Neural Networks-CONNを提案する。
論文参考訳（メタデータ） (2023-07-22T04:52:27Z)
Contrastive Meta-Learning for Few-shot Node Classification [54.36506013228169]
少ないショットノード分類は、限定されたラベル付きノードのみを参照としてグラフ上のノードのラベルを予測することを目的としている。グラフ上にCOSMICという新しい対照的なメタラーニングフレームワークを2つの重要な設計で作成する。
論文参考訳（メタデータ） (2023-06-27T02:22:45Z)
Reducing Over-smoothing in Graph Neural Networks Using Relational Embeddings [0.15619750966454563]
本稿では,GNNにおけるオーバー・スムーシング問題の影響を緩和する,シンプルで効率的な手法を提案する。我々の手法は他の手法と組み合わせて最高の性能を与えることができる。
論文参考訳（メタデータ） (2023-01-07T19:26:04Z)
Embedding Compression with Hashing for Efficient Representation Learning in Large-Scale Graph [21.564894767364397]
グラフニューラルネットワーク(GNN)は、グラフデータに特化したディープラーニングモデルである。本研究では,各ノードを浮動小数点ベクトルの代わりにビットベクトルでコンパクトに表現するノード埋め込み圧縮法を開発した。提案手法は,提案手法が提案手法よりも優れた性能を示すことを示す。
論文参考訳（メタデータ） (2022-08-11T05:43:39Z)
A Robust Stacking Framework for Training Deep Graph Models with Multifaceted Node Features [61.92791503017341]
数値ノード特徴とグラフ構造を入力とするグラフニューラルネットワーク(GNN)は,グラフデータを用いた各種教師付き学習タスクにおいて,優れた性能を示した。 IID(non-graph)データをGNNに簡単に組み込むことはできない。本稿では、グラフ認識の伝播をIDデータに意図した任意のモデルで融合するロバストな積み重ねフレームワークを提案する。
論文参考訳（メタデータ） (2022-06-16T22:46:33Z)
NDGGNET-A Node Independent Gate based Graph Neural Networks [6.155450481110693]
疎結合なノードでは、単一のGNN層を通して十分な情報を得るのは難しい。この論文では、通常のGNNモデルでより多くのレイヤに対応可能な新しいフレームワークを定義する。実験結果から,提案モデルがモデル深度を効果的に向上し,複数のデータセットで良好に動作できることが示唆された。
論文参考訳（メタデータ） (2022-05-11T08:51:04Z)
Position-based Hash Embeddings For Scaling Graph Neural Networks [8.87527266373087]
グラフニューラルネットワーク(GNN)は、ノードのエゴネットワークのトポロジとエゴネットワークのノードの特徴を考慮したノード表現を演算する。ノードが高品質な機能を持っていない場合、GNNはノードの埋め込みを計算するために埋め込み層を学び、それらを入力機能として使用する。この埋め込みレイヤに関連するメモリを削減するため、NLPやレコメンダシステムのようなアプリケーションで一般的に使用されるハッシュベースのアプローチが利用可能である。本稿では,グラフ内のノードの位置を利用して,必要なメモリを大幅に削減する手法を提案する。
論文参考訳（メタデータ） (2021-08-31T22:42:25Z)
CatGCN: Graph Convolutional Networks with Categorical Node Features [99.555850712725]
CatGCNはグラフ学習に適したノード機能である。エンドツーエンドでCatGCNを訓練し、半教師付きノード分類でそれを実証する。
論文参考訳（メタデータ） (2020-09-11T09:25:17Z)

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。