Fugu-MT 論文翻訳(概要): An Effective Universal Polynomial Basis for Spectral Graph Neural Networks

論文の概要: An Effective Universal Polynomial Basis for Spectral Graph Neural Networks

arxiv url: http://arxiv.org/abs/2311.18177v2
Date: Tue, 5 Mar 2024 12:07:34 GMT
ステータス: 処理完了
システム内更新日: 2024-03-07 01:27:56.869254
Title: An Effective Universal Polynomial Basis for Spectral Graph Neural Networks
Title（参考訳）: スペクトルグラフニューラルネットワークのための有効ユニバーサル多項式基底
Authors: Keke Huang, Pietro Li\`o
Abstract要約: スペクトルグラフニューラルネットワーク(GNN)はヘテロフィリーグラフの出現率を高めている。グラフヘテロフィリー次数を導入して適応的なヘテロフィリー基底を開発する。そして、このヘテロフィ基底をホモフィ基底と統合し、普遍基底UniBasisを作成する。
参考スコア（独自算出の注目度）: 12.725906836609811
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: Spectral Graph Neural Networks (GNNs), also referred to as graph filters have gained increasing prevalence for heterophily graphs. Optimal graph filters rely on Laplacian eigendecomposition for Fourier transform. In an attempt to avert the prohibitive computations, numerous polynomial filters by leveraging distinct polynomials have been proposed to approximate the desired graph filters. However, polynomials in the majority of polynomial filters are predefined and remain fixed across all graphs, failing to accommodate the diverse heterophily degrees across different graphs. To tackle this issue, we first investigate the correlation between polynomial bases of desired graph filters and the degrees of graph heterophily via a thorough theoretical analysis. Afterward, we develop an adaptive heterophily basis by incorporating graph heterophily degrees. Subsequently, we integrate this heterophily basis with the homophily basis, creating a universal polynomial basis UniBasis. In consequence, we devise a general polynomial filter UniFilter. Comprehensive experiments on both real-world and synthetic datasets with varying heterophily degrees significantly support the superiority of UniFilter, demonstrating the effectiveness and generality of UniBasis, as well as its promising capability as a new method for graph analysis.
Abstract（参考訳）: グラフフィルタとも呼ばれるスペクトルグラフニューラルネットワーク(gnns)は、ヘテロフィリグラフの普及率を高めている。最適グラフフィルタはフーリエ変換のラプラシアン固有分解に依存する。禁止計算を回避するために、異なる多項式を利用する多数の多項式フィルタが提案され、所望のグラフフィルタを近似する。しかし、多項式フィルタの大多数の多項式は事前定義され、すべてのグラフに固定され、異なるグラフにまたがる多様なヘテロフィ次数に適合しない。この問題に対処するために,まず, 所望のグラフフィルタの多項式基底とグラフの次数との相関を, 徹底的な理論解析により検討する。その後,グラフのヘテロフィア次数を組み込んだ適応的ヘテロフィア基底を開発する。その後、このヘテロフィリー基底をホモフィリー基底と統合し、普遍多項式基底ユニバシスを生成する。その結果,一般多項式フィルタUniFilterを考案した。実世界のデータ集合と合成データ集合の両方に対する包括的実験は、ユニフィルタの優位性を著しく支持し、ユニバスの有効性と汎用性を示し、新しいグラフ解析法として有望な能力を示している。

関連論文リスト

Node-wise Filtering in Graph Neural Networks: A Mixture of Experts Approach [58.8524608686851]
グラフニューラルネットワーク(GNN)は、多様なグラフ構造パターンをまたいだノード分類タスクに非常に効果的であることが証明されている。伝統的に、GNNは均一なグローバルフィルタ(通常、ホモフィルグラフのローパスフィルタとヘテロフィルグラフのハイパスフィルタ)を用いる。我々は,異なるノードに対する適切なフィルタを適応的に選択するために,専門家の混在を利用した新しいGNNフレームワークNode-MoEを紹介する。
論文参考訳（メタデータ） (2024-06-05T17:12:38Z)
How Universal Polynomial Bases Enhance Spectral Graph Neural Networks: Heterophily, Over-smoothing, and Over-squashing [24.857304431611464]
スペクトルグラフネットワーク(GNN)はヘテロフィリーグラフの出現率を高めている。禁止計算を回避するため,多くのフィルタが提案されている。所望ベクトルのスペクトル特性とヘテロフィリー次数の相関をデミステレーションする。我々は、グラフのヘテロフィリー次数を反映する基底を相互に形成する、新しい適応的ヘテロフィリー基底を開発する。
論文参考訳（メタデータ） (2024-05-21T03:28:45Z)
Optimizing Polynomial Graph Filters: A Novel Adaptive Krylov Subspace Approach [36.06398179717066]
我々は,Krylov部分空間に基づく適応グラフフィルタを開発し,複素グラフをフィルタする。我々は、一連の実世界のデータセットにまたがって広範な実験を行う。
論文参考訳（メタデータ） (2024-03-12T06:26:17Z)
Improving Expressive Power of Spectral Graph Neural Networks with Eigenvalue Correction [55.57072563835959]
スペクトルグラフニューラルネットワークはフィルタによって特徴づけられる。本稿では,繰り返し入力される固有値の制約からフィルタを解放する固有値補正手法を提案する。
論文参考訳（メタデータ） (2024-01-28T08:12:00Z)
HoloNets: Spectral Convolutions do extend to Directed Graphs [59.851175771106625]
従来の知恵は、スペクトル畳み込みネットワークは無向グラフ上にしか展開できないと規定している。ここでは、このグラフフーリエ変換への伝統的な依存が超フルであることを示す。本稿では,新たに開発されたフィルタの周波数応答解釈を行い,フィルタ表現に使用するベースの影響を調査し,ネットワークを基盤とする特性演算子との相互作用について議論する。
論文参考訳（メタデータ） (2023-10-03T17:42:09Z)
Automated Polynomial Filter Learning for Graph Neural Networks [9.120531252536617]
グラフニューラルネットワーク(GNN)の設計の指針として多項グラフフィルタが広く用いられている。近年, グラフフィルタの適応学習により, ホモ親和性グラフとヘテロ親和性グラフの両方において, グラフ信号のモデル化に有望な性能が示された。本稿では,多種多様なグラフ信号に適応可能な優れたフィルタを効率的に学習する,新規で汎用的なグラフフィルタ学習フレームワークであるAuto-Polynomialを提案する。
論文参考訳（メタデータ） (2023-07-16T06:14:12Z)
Spectral Heterogeneous Graph Convolutions via Positive Noncommutative Polynomials [34.74726720818622]
正のスペクトル不均一グラフ畳み込みネットワーク(PSHGCN)を提案する。 PSHGCNは、有効なヘテロジニアスグラフフィルタを学習するための、単純かつ効果的な方法を提供する。 PSHGCNは目覚ましいスケーラビリティを示し、数百万のノードとエッジからなる大規模な実世界のグラフを効率的に処理する。
論文参考訳（メタデータ） (2023-05-31T14:09:42Z)
Graph Contrastive Learning under Heterophily via Graph Filters [51.46061703680498]
グラフコントラスト学習(CL)法は,GNNエンコーダを用いて得られる拡張ノード表現の類似性を最大化することにより,ノード表現を自己指導的に学習する。本研究では,ヘテロフィリー下でのグラフ表現学習に有効なグラフCL法であるHLCLを提案する。我々の広範な実験により、HLCLはヘテロフィリーのベンチマークデータセットや大規模実世界のグラフで最先端のグラフCL法を最大7%上回り、ヘテロフィリーのデータセットでグラフ教師あり学習法を最大10%上回ります。
論文参考訳（メタデータ） (2023-03-11T08:32:39Z)
Specformer: Spectral Graph Neural Networks Meet Transformers [51.644312964537356]
スペクトルグラフニューラルネットワーク(GNN)は、スペクトル領域グラフ畳み込みを通じてグラフ表現を学習する。本稿では、全ての固有値の集合を効果的に符号化し、スペクトル領域で自己アテンションを行うSpecformerを紹介する。複数のSpecformerレイヤを積み重ねることで、強力なスペクトルGNNを構築することができる。
論文参考訳（メタデータ） (2023-03-02T07:36:23Z)
Stability to Deformations of Manifold Filters and Manifold Neural Networks [89.53585099149973]
本論文は、多様体(M)畳み込みフィルタとニューラルネットワーク(NN)を定義し、研究する。この論文の主な技術的貢献は、多様体の滑らかな変形に対する多様体フィルタとMNNの安定性を分析することである。
論文参考訳（メタデータ） (2021-06-07T15:41:03Z)
Stacked Graph Filter [19.343260981528186]
グラフ信号処理の観点から,グラフ畳み込みネットワーク(GCN)について検討する。学習可能な解パラメータでグラフフィルタを積み重ねることで、高度に適応的で堅牢なグラフ分類モデルを構築することができる。
論文参考訳（メタデータ） (2020-11-22T11:20:14Z)

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。