論文の概要: Leveraging Graph Diffusion Models for Network Refinement Tasks

• arxiv url: http://arxiv.org/abs/2311.17856v1
• Date: Wed, 29 Nov 2023 18:02:29 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-30 20:21:58.077951
• Title: Leveraging Graph Diffusion Models for Network Refinement Tasks
• Title（参考訳）: ネットワークリファインメントタスクにおけるグラフ拡散モデルの活用
• Authors: Puja Trivedi, Ryan Rossi, David Arbour, Tong Yu, Franck Dernoncourt, Sungchul Kim, Nedim Lipka, Namyong Park, Nesreen K. Ahmed, Danai Koutra
• Abstract要約: 本稿では,グラフ拡散に基づく新しいグラフ生成フレームワークSGDMを提案する。 我々のフレームワークはグラフ拡散モデルのスケーラビリティと忠実度を向上するだけでなく、逆プロセスを利用して新しい条件付き生成タスクを実行する。
• 参考スコア（独自算出の注目度）: 72.54590628084178
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Most real-world networks are noisy and incomplete samples from an unknown target distribution. Refining them by correcting corruptions or inferring unobserved regions typically improves downstream performance. Inspired by the impressive generative capabilities that have been used to correct corruptions in images, and the similarities between "in-painting" and filling in missing nodes and edges conditioned on the observed graph, we propose a novel graph generative framework, SGDM, which is based on subgraph diffusion. Our framework not only improves the scalability and fidelity of graph diffusion models, but also leverages the reverse process to perform novel, conditional generation tasks. In particular, through extensive empirical analysis and a set of novel metrics, we demonstrate that our proposed model effectively supports the following refinement tasks for partially observable networks: T1: denoising extraneous subgraphs, T2: expanding existing subgraphs and T3: performing "style" transfer by regenerating a particular subgraph to match the characteristics of a different node or subgraph.
• Abstract（参考訳）: ほとんどの実世界のネットワークは、未知のターゲット分布からのノイズと不完全なサンプルである。 汚職を訂正したり、観測されていない領域を推測することで精錬することで、ダウンストリームのパフォーマンスが向上する。 画像の劣化を補正するために用いられてきた印象的な生成機能や、観察されたグラフ上での「塗装中」と欠損ノードとエッジの埋め合わせの類似性から着想を得て、サブグラフ拡散に基づく新しいグラフ生成フレームワーク SGDM を提案する。 我々のフレームワークはグラフ拡散モデルのスケーラビリティと忠実度を向上するだけでなく、逆プロセスを利用して新しい条件付き生成タスクを実行する。 特に,広範にわたる経験的分析と新しいメトリクスのセットを通じて,提案手法が部分的に観測可能なネットワークに対して,以下の改良タスクを効果的にサポートすることを示す: T1: 外部部分グラフのデノイング T2: 既存の部分グラフの拡張 T3: 特定の部分グラフを再生して,異なるノードやサブグラフの特性にマッチする"スタイル"転送を行う。

関連論文リスト

• Input Snapshots Fusion for Scalable Discrete Dynamic Graph Nerual Networks [27.616083395612595]
  入力 bf Snapshots bf Fusion ベースの動的 bf Graph Neural Network (SFDyG) を導入する。 入力ウィンドウ内でスナップショットのパーティショニングを取り除くことで、マルチグラフ(2つのノード間の1つ以上のエッジ)を得る。 スケーラブルな3段階のミニバッチトレーニング手法を提案し、フルバッチトレーニング手法と等価性を実証する。
  論文  参考訳（メタデータ） (2024-05-11T10:05:55Z)
• 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)
• A Dynamic Graph CNN with Cross-Representation Distillation for Event-Based Recognition [21.225945234873745]
  グラフクロス表現蒸留(CRD)と呼ばれる新しいイベントベースのグラフ学習フレームワークを提案する。 CRDはイベントグラフの監視と事前知識を提供する。 我々のモデルと学習フレームワークは、複数の視覚タスクにまたがって効果的に一般化されている。
  論文  参考訳（メタデータ） (2023-02-08T16:35:39Z)
• GrannGAN: Graph annotation generative adversarial networks [72.66289932625742]
  本稿では,高次元分布をモデル化し,グラフスケルトンと整合した複雑な関係特徴構造を持つデータの新しい例を生成することの問題点を考察する。 提案するモデルは,タスクを2つのフェーズに分割することで,各データポイントのグラフ構造に制約されたデータ特徴を生成する問題に対処する。 第一に、与えられたグラフのノードに関連する機能の分布をモデル化し、第二に、ノードのフィーチャに条件付きでエッジ機能を補完する。
  論文  参考訳（メタデータ） (2022-12-01T11:49:07Z)
• DiGress: Discrete Denoising diffusion for graph generation [79.13904438217592]
  DiGressは、分類ノードとエッジ属性を持つグラフを生成するための離散化拡散モデルである。 分子と非分子のデータセットで最先端のパフォーマンスを実現し、最大3倍の妥当性が向上する。 また、1.3Mの薬物様分子を含む大規模なGuacaMolデータセットにスケールする最初のモデルでもある。
  論文  参考訳（メタデータ） (2022-09-29T12:55:03Z)
• Digraphwave: Scalable Extraction of Structural Node Embeddings via Diffusion on Directed Graphs [20.432261314154804]
  Digraphwaveは、有向グラフ上の構造ノード埋め込みを抽出するスケーラブルなアルゴリズムである。 この2つの組込み強化は、自己同型アイデンティティの分類において、マクロF1スコアの顕著な増加につながることが示されている。
  論文  参考訳（メタデータ） (2022-07-20T19:03:35Z)
• Investigating Neighborhood Modeling and Asymmetry Preservation in Digraph Representation Learning [12.406793386672208]
  Digraph Hyperbolic Network (D-HYPR) は、実世界のダイグラフの構造的・意味的歪みを避けるために、双曲空間におけるノード表現を学習する。 コードとデータは利用可能です。
  論文  参考訳（メタデータ） (2021-12-22T08:50:55Z)
• A Robust and Generalized Framework for Adversarial Graph Embedding [73.37228022428663]
  本稿では,AGE という逆グラフ埋め込みのための頑健なフレームワークを提案する。 AGEは、暗黙の分布から強化された負のサンプルとして偽の隣接ノードを生成する。 本フレームワークでは,3種類のグラフデータを扱う3つのモデルを提案する。
  論文  参考訳（メタデータ） (2021-05-22T07:05:48Z)
• Promoting Graph Awareness in Linearized Graph-to-Text Generation [72.83863719868364]
  局所グラフ構造を符号化する線形化モデルの能力を検討する。 本研究は,モデルの暗黙のグラフ符号化の品質を高めるための解法である。 これらの消音足場は、低リソース設定における下流生成の大幅な改善につながることが分かりました。
  論文  参考訳（メタデータ） (2020-12-31T18:17:57Z)

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。