論文の概要: Saliency-Aware Regularized Graph Neural Network

• arxiv url: http://arxiv.org/abs/2401.00755v1
• Date: Mon, 1 Jan 2024 13:44:16 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-03 15:56:22.369949
• Title: Saliency-Aware Regularized Graph Neural Network
• Title（参考訳）: サリエンシーアウェア正規化グラフニューラルネットワーク
• Authors: Wenjie Pei, Weina Xu, Zongze Wu, Weichao Li, Jinfan Wang, Guangming Lu, Xiangrong Wang
• Abstract要約: グラフ分類のためのSAR-GNN(Saliency-Aware Regularized Graph Neural Network)を提案する。 まず,コンパクトなグラフ表現とノード特徴とのセマンティックな類似性を測定することで,グローバルノードの正当性を推定する。 そして、学習した塩分濃度分布を利用して、背骨の近傍集合を規則化する。
• 参考スコア（独自算出の注目度）: 39.82009838086267
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The crux of graph classification lies in the effective representation learning for the entire graph. Typical graph neural networks focus on modeling the local dependencies when aggregating features of neighboring nodes, and obtain the representation for the entire graph by aggregating node features. Such methods have two potential limitations: 1) the global node saliency w.r.t. graph classification is not explicitly modeled, which is crucial since different nodes may have different semantic relevance to graph classification; 2) the graph representation directly aggregated from node features may have limited effectiveness to reflect graph-level information. In this work, we propose the Saliency-Aware Regularized Graph Neural Network (SAR-GNN) for graph classification, which consists of two core modules: 1) a traditional graph neural network serving as the backbone for learning node features and 2) the Graph Neural Memory designed to distill a compact graph representation from node features of the backbone. We first estimate the global node saliency by measuring the semantic similarity between the compact graph representation and node features. Then the learned saliency distribution is leveraged to regularize the neighborhood aggregation of the backbone, which facilitates the message passing of features for salient nodes and suppresses the less relevant nodes. Thus, our model can learn more effective graph representation. We demonstrate the merits of SAR-GNN by extensive experiments on seven datasets across various types of graph data. Code will be released.
• Abstract（参考訳）: グラフ分類の要点は、グラフ全体の効果的な表現学習にある。 典型的なグラフニューラルネットワークは、隣接するノードの特徴を集約する際のローカル依存関係のモデリングに重点を置いており、ノードの特徴を集約することでグラフ全体の表現を得る。 そのような方法には2つの潜在的な制限がある。 1) グラフ分類におけるグローバルノードの正当性W.r.t.グラフ分類は、明示的にモデル化されていない。 2)ノード特徴から直接集約されたグラフ表現は,グラフレベルの情報を反映する効果が限られている可能性がある。 本研究では,2つのコアモジュールからなるグラフ分類のためのSAR-GNN(Saliency-Aware Regularized Graph Neural Network)を提案する。 1)ノードの特徴を学習するためのバックボーンとして機能する従来のグラフニューラルネットワーク 2) バックボーンのノード特徴からコンパクトなグラフ表現を抽出するために設計されたグラフニューラルメモリ。 まず,コンパクトグラフ表現とノード特徴間の意味的類似性を測定することにより,グローバルノードのサリエンシーを推定する。 次に、学習したサリエンシ分布を利用して、バックボーンの近傍アグリゲーションを規則化し、サリエントノードの機能のメッセージパッシングを容易にし、関連性の低いノードを抑える。 したがって、このモデルはより効果的なグラフ表現を学ぶことができる。 我々は,SAR-GNNの利点を,グラフデータの種類によって異なる7つのデータセットの広範な実験により示す。 コードはリリースされる。

関連論文リスト

• NodeFormer: A Scalable Graph Structure Learning Transformer for Node Classification [70.51126383984555]
  本稿では,任意のノード間のノード信号を効率的に伝搬する全ペアメッセージパッシング方式を提案する。 効率的な計算は、カーナライズされたGumbel-Softmax演算子によって実現される。 グラフ上のノード分類を含む様々なタスクにおいて,本手法の有望な有効性を示す実験を行った。
  論文  参考訳（メタデータ） (2023-06-14T09:21:15Z)
• Seq-HGNN: Learning Sequential Node Representation on Heterogeneous Graph [57.2953563124339]
  本稿では,シーケンシャルノード表現,すなわちSeq-HGNNを用いた新しい異種グラフニューラルネットワークを提案する。 Heterogeneous Graph Benchmark (HGB) と Open Graph Benchmark (OGB) の4つの広く使われているデータセットについて広範な実験を行った。
  論文  参考訳（メタデータ） (2023-05-18T07:27:18Z)
• Semi-Supervised Hierarchical Graph Classification [54.25165160435073]
  ノードがグラフのインスタンスである階層グラフにおけるノード分類問題について検討する。 本稿では階層グラフ相互情報(HGMI)を提案し,理論的保証をもってHGMIを計算する方法を提案する。 本稿では,この階層グラフモデリングとSEAL-CI法がテキストおよびソーシャルネットワークデータに与える影響を実証する。
  論文  参考訳（メタデータ） (2022-06-11T04:05:29Z)
• Graph Decipher: A transparent dual-attention graph neural network to understand the message-passing mechanism for the node classification [2.0047096160313456]
  本稿では,メッセージパッシング機構を調べるために,Graph Decipherと呼ばれる新しい透過型ネットワークを提案する。 本アルゴリズムは,ノード分類タスクの負荷を大幅に低減しつつ,最先端の性能を実現する。
  論文  参考訳（メタデータ） (2022-01-04T23:24:00Z)
• Inferential SIR-GN: Scalable Graph Representation Learning [0.4699313647907615]
  グラフ表現学習法は、ネットワーク内のノードの数値ベクトル表現を生成する。 本研究では,ランダムグラフ上で事前学習されたモデルであるInferential SIR-GNを提案し,ノード表現を高速に計算する。 このモデルではノードの構造的役割情報を捉えることができ、ノードやグラフの分類タスクにおいて、目に見えないネットワーク上で優れた性能を示すことができる。
  論文  参考訳（メタデータ） (2021-11-08T20:56:37Z)
• 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)
• Self-supervised Consensus Representation Learning for Attributed Graph [15.729417511103602]
  グラフ表現学習に自己教師付き学習機構を導入する。 本稿では,新しい自己教師型コンセンサス表現学習フレームワークを提案する。 提案手法はトポロジグラフと特徴グラフの2つの視点からグラフを扱う。
  論文  参考訳（メタデータ） (2021-08-10T07:53:09Z)
• 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)
• 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)
• 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)

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。