論文の概要: The Graph Lottery Ticket Hypothesis: Finding Sparse, Informative Graph Structure

• arxiv url: http://arxiv.org/abs/2312.04762v1
• Date: Fri, 8 Dec 2023 00:24:44 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-11 16:34:16.969128
• Title: The Graph Lottery Ticket Hypothesis: Finding Sparse, Informative Graph Structure
• Title（参考訳）: Graph Lottery Ticket仮説:スパース・インフォーマティブ・グラフ構造を見つける
• Authors: Anton Tsitsulin and Bryan Perozzi
• Abstract要約: Graph Lottery Ticket (GLT)仮説: グラフごとに非常に疎いバックボーンが存在する。 本研究は,グラフ学習アルゴリズムの性能に直接影響を及ぼす関心の指標を8つ研究する。 任意のグラフでこれらのGLTを見つけるための単純で効率的なアルゴリズムを提案する。
• 参考スコア（独自算出の注目度）: 18.00833762891405
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graph learning methods help utilize implicit relationships among data items, thereby reducing training label requirements and improving task performance. However, determining the optimal graph structure for a particular learning task remains a challenging research problem. In this work, we introduce the Graph Lottery Ticket (GLT) Hypothesis - that there is an extremely sparse backbone for every graph, and that graph learning algorithms attain comparable performance when trained on that subgraph as on the full graph. We identify and systematically study 8 key metrics of interest that directly influence the performance of graph learning algorithms. Subsequently, we define the notion of a "winning ticket" for graph structure - an extremely sparse subset of edges that can deliver a robust approximation of the entire graph's performance. We propose a straightforward and efficient algorithm for finding these GLTs in arbitrary graphs. Empirically, we observe that performance of different graph learning algorithms can be matched or even exceeded on graphs with the average degree as low as 5.
• Abstract（参考訳）: グラフ学習手法は、データ項目間の暗黙の関係を利用して、トレーニングラベルの要求を減らし、タスクのパフォーマンスを向上させる。 しかし、特定の学習課題に対して最適なグラフ構造を決定することは、依然として困難な研究課題である。 本研究では,グラフロータリー・チケット (GLT) 仮説を導入し,全グラフに非常に疎いバックボーンが存在すること,グラフ学習アルゴリズムが全グラフと同じように,そのサブグラフ上でトレーニングされた時に同等のパフォーマンスが得られること,などを述べる。 グラフ学習アルゴリズムの性能に直接影響を及ぼす8つの重要な関心指標を特定し,体系的に検討した。 続いて、グラフ全体の性能を堅牢に近似できる、エッジの非常にスパースな部分集合のグラフ構造に対する「勝利チケット」の概念を定義する。 任意のグラフでこれらのGLTを見つけるための単純で効率的なアルゴリズムを提案する。 経験的に、異なるグラフ学習アルゴリズムのパフォーマンスは、平均次数が5であるグラフ上でマッチするか、あるいは超えられることを観察する。

関連論文リスト

• Knowledge Probing for Graph Representation Learning [12.960185655357495]
  グラフ表現学習において,グラフ学習手法のファミリーが異なるレベルの知識を符号化したかどうかを調査・解釈するための新しいグラフ探索フレームワーク(GraphProbe)を提案する。 グラフの固有の性質に基づいて,異なる視点からグラフ表現学習過程を体系的に研究する3つのプローブを設計する。 本研究では、ランダムウォークに基づく9つの代表的なグラフ学習手法、基本グラフニューラルネットワーク、自己教師付きグラフ手法を用いて、詳細な評価ベンチマークを構築し、ノード分類、リンク予測、グラフ分類のための6つのベンチマークデータセットでそれらを探索する。
  論文  参考訳（メタデータ） (2024-08-07T16:27:45Z)
• Learning Attributed Graphlets: Predictive Graph Mining by Graphlets with Trainable Attribute [4.14034448023832]
  本稿では,LAGRA(Learning Attributed GRAphlets)と呼ばれる属性付きグラフデータの解釈可能な分類アルゴリズムを提案する。 LAGRAは、属性グラフレット(AG)と呼ばれる小さな属性グラフの重み付けを同時に学習し、属性ベクトルを最適化する。 LAGRAが既存のアルゴリズムよりも優れているか同等の予測性能を持つことを実証的に実証した。
  論文  参考訳（メタデータ） (2024-02-10T12:10:13Z)
• Bures-Wasserstein Means of Graphs [60.42414991820453]
  本研究では,スムーズなグラフ信号分布の空間への埋め込みを通じて,グラフ平均を定義する新しいフレームワークを提案する。 この埋め込み空間において平均を求めることにより、構造情報を保存する平均グラフを復元することができる。 我々は,新しいグラフの意味の存在と特異性を確立し,それを計算するための反復アルゴリズムを提供する。
  論文  参考訳（メタデータ） (2023-05-31T11:04:53Z)
• Synthetic Graph Generation to Benchmark Graph Learning [7.914804101579097]
  グラフ学習アルゴリズムは多くのグラフ解析タスクで最先端のパフォーマンスを達成した。 1つの理由は、グラフ学習アルゴリズムのパフォーマンスをベンチマークするために実際に使用されるデータセットが極めて少ないためである。 本稿では,合成グラフの生成と,制御シナリオにおけるグラフ学習アルゴリズムの挙動について検討する。
  論文  参考訳（メタデータ） (2022-04-04T10:48:32Z)
• Graph Information Bottleneck for Subgraph Recognition [103.37499715761784]
  本稿では,深層グラフ学習における部分グラフ認識問題に対するグラフ情報ブートネック(GIB)の枠組みを提案する。 この枠組みの下では、最大情報でありながら圧縮的な部分グラフ(IB-subgraph)を認識できる。 IB-サブグラフの特性を3つのアプリケーションシナリオで評価する。
  論文  参考訳（メタデータ） (2020-10-12T09:32:20Z)
• Multilevel Graph Matching Networks for Deep Graph Similarity Learning [79.3213351477689]
  グラフ構造オブジェクト間のグラフ類似性を計算するためのマルチレベルグラフマッチングネットワーク(MGMN)フレームワークを提案する。 標準ベンチマークデータセットの欠如を補うため、グラフグラフ分類とグラフグラフ回帰タスクの両方のためのデータセットセットを作成し、収集した。 総合的な実験により、MGMNはグラフグラフ分類とグラフグラフ回帰タスクの両方において、最先端のベースラインモデルより一貫して優れていることが示された。
  論文  参考訳（メタデータ） (2020-07-08T19:48:19Z)
• Faster Graph Embeddings via Coarsening [25.37181684580123]
  グラフ埋め込みは、グラフ構造化データ上のノード分類やリンク予測といった機械学習タスクのためのユビキタスツールである。 大規模グラフに対する埋め込みの計算は、関連する頂点の小さな部分集合のみに関心がある場合でも、非効率的である。 我々は、関連する頂点の埋め込みを計算するために、Schur補数に基づく効率的なグラフ粗大化手法を提案する。
  論文  参考訳（メタデータ） (2020-07-06T15:22:25Z)
• Iterative Deep Graph Learning for Graph Neural Networks: Better and Robust Node Embeddings [53.58077686470096]
  グラフ構造とグラフ埋め込みを協調的かつ反復的に学習するための、エンドツーエンドのグラフ学習フレームワーク、すなわち、IDGL(Iterative Deep Graph Learning)を提案する。 実験の結果,提案したIDGLモデルは,最先端のベースラインを一貫して上回る,あるいは一致させることができることがわかった。
  論文  参考訳（メタデータ） (2020-06-21T19:49:15Z)
• 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)
• Unsupervised Graph Embedding via Adaptive Graph Learning [85.28555417981063]
  グラフオートエンコーダ(GAE)は、グラフ埋め込みのための表現学習において強力なツールである。 本稿では,2つの新しい教師なしグラフ埋め込み法,適応グラフ学習(BAGE)による教師なしグラフ埋め込み,変分適応グラフ学習(VBAGE)による教師なしグラフ埋め込みを提案する。 いくつかのデータセットに関する実験的研究により、我々の手法がノードクラスタリング、ノード分類、グラフ可視化タスクにおいて、ベースラインよりも優れていることが実証された。
  論文  参考訳（メタデータ） (2020-03-10T02:33:14Z)
• Learning Product Graphs Underlying Smooth Graph Signals [15.023662220197242]
  本稿では,製品グラフの形式で与えられるデータから構造化グラフを学習する方法を考案する。 この目的のために、まずグラフ学習問題は線形プログラムとして表され、これは(平均的に)最先端のグラフ学習アルゴリズムより優れている。
  論文  参考訳（メタデータ） (2020-02-26T03:25:15Z)

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。