論文の概要: Rethinking Spectral Graph Neural Networks with Spatially Adaptive Filtering

• arxiv url: http://arxiv.org/abs/2401.09071v3
• Date: Thu, 8 Feb 2024 04:21:43 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-09 18:20:30.170024
• Title: Rethinking Spectral Graph Neural Networks with Spatially Adaptive Filtering
• Title（参考訳）: 空間適応フィルタを用いたスペクトルグラフニューラルネットワークの再考
• Authors: Jingwei Guo, Kaizhu Huang, Xinping Yi, Zixian Su, and Rui Zhang
• Abstract要約: スペクトルグラフニューラルネットワーク(GNN)はスペクトル領域において十分に確立されているが、近似への実際の依存は空間領域への深いリンクを意味する。 スペクトルと空間アグリゲーションの間に理論的な関係を確立し、スペクトルが元のグラフを適応した新しいグラフに暗黙的に導く本質的な相互作用を明らかにする。 本稿では,非局所的な補助的なアグリゲーションのためのスペクトルフィルタリングにより適応された新しいグラフを利用する空間適応フィルタリング(SAF)フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 31.595664867365322
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Whilst spectral Graph Neural Networks (GNNs) are theoretically well-founded in the spectral domain, their practical reliance on polynomial approximation implies a profound linkage to the spatial domain. As previous studies rarely examine spectral GNNs from the spatial perspective, their spatial-domain interpretability remains elusive, e.g., what information is essentially encoded by spectral GNNs in the spatial domain? In this paper, to answer this question, we establish a theoretical connection between spectral filtering and spatial aggregation, unveiling an intrinsic interaction that spectral filtering implicitly leads the original graph to an adapted new graph, explicitly computed for spatial aggregation. Both theoretical and empirical investigations reveal that the adapted new graph not only exhibits non-locality but also accommodates signed edge weights to reflect label consistency among nodes. These findings thus highlight the interpretable role of spectral GNNs in the spatial domain and inspire us to rethink graph spectral filters beyond the fixed-order polynomials, which neglect global information. Built upon the theoretical findings, we revisit the state-of-the-art spectral GNNs and propose a novel Spatially Adaptive Filtering (SAF) framework, which leverages the adapted new graph by spectral filtering for an auxiliary non-local aggregation. Notably, our proposed SAF comprehensively models both node similarity and dissimilarity from a global perspective, therefore alleviating persistent deficiencies of GNNs related to long-range dependencies and graph heterophily. Extensive experiments over 13 node classification benchmarks demonstrate the superiority of our proposed framework to the state-of-the-art models.
• Abstract（参考訳）: スペクトルグラフニューラルネットワーク (gnn) は理論的にスペクトル領域において十分に基礎づけられているが、多項式近似への実用的な依存は空間領域への深い結合を意味する。 これまでの研究では、空間的な観点からスペクトルgnnを調べることは滅多にないが、空間領域の解釈可能性は不明であり、例えば、空間領域内のスペクトルgnnによって本質的にエンコードされる情報は何か? 本稿では,スペクトルフィルタリングと空間アグリゲーションの理論的関係を確立し,スペクトルフィルタリングが空間アグリゲーションのために明示的に計算されたオリジナルのグラフを適応した新しいグラフに暗黙的に導く本質的な相互作用を明らかにする。 理論的および実証的研究の両方で、適応された新しいグラフは非局所性を示すだけでなく、ノード間のラベルの一貫性を反映する符号付きエッジウェイトも備えていることが明らかになった。 これらの結果は、空間領域におけるスペクトルGNNの解釈可能な役割を強調し、グローバル情報を無視した固定順序多項式以外のグラフスペクトルフィルタを再考するきっかけとなった。 理論的な知見に基づいて,最先端のスペクトルgnnを再検討し,補助的非局所アグリゲーションのためのスペクトルフィルタリングにより適応した新しいグラフを利用する空間適応フィルタ(saf)フレームワークを提案する。 特に,提案したSAFは,ノードの類似性と相似性の両方を大域的観点から包括的にモデル化し,長距離依存やグラフヘテロフィリーに関連するGNNの持続的欠陥を緩和する。 13個のノード分類ベンチマークを用いた広範な実験により,提案手法の最先端モデルに対する優位性が示された。

関連論文リスト

• GrassNet: State Space Model Meets Graph Neural Network [57.62885438406724]
  Graph State Space Network (GrassNet)は、任意のグラフスペクトルフィルタを設計するためのシンプルで効果的なスキームを提供する理論的なサポートを持つ、新しいグラフニューラルネットワークである。 我々の知る限り、我々の研究はグラフGNNスペクトルフィルタの設計にSSMを使った最初のものである。 9つの公開ベンチマークでの大規模な実験により、GrassNetは現実世界のグラフモデリングタスクにおいて優れたパフォーマンスを達成することが明らかになった。
  論文  参考訳（メタデータ） (2024-08-16T07:33:58Z)
• 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)
• A Survey on Spectral Graph Neural Networks [42.469584005389414]
  本稿では,モデル,理論,応用を含むスペクトルGNNの最近の展開を要約する。 まず、空間GNNとスペクトルGNNの関連性について検討し、スペクトルGNNがグローバルな情報を捕捉し、より理解しやすいことを示す。 さらに、スペクトルGNNの主要な理論的結果と応用をレビューし、その後、人気のあるスペクトルGNNをベンチマークするための定量的実験を行った。
  論文  参考訳（メタデータ） (2023-02-11T09:16:46Z)
• Node-oriented Spectral Filtering for Graph Neural Networks [38.0315325181726]
  グラフニューラルネットワーク(GNN)は、ホモ親和性グラフデータに顕著な性能を示す。 一般に、グローバルな視点からグラフ上の普遍的なスペクトルフィルタを学習することは、局所的なパターンの変化に適応する上で非常に困難である。 グラフニューラルネットワーク(NFGNN)のためのノード指向スペクトルフィルタリングを提案する。
  論文  参考訳（メタデータ） (2022-12-07T14:15:28Z)
• Learnable Filters for Geometric Scattering Modules [64.03877398967282]
  最近提案された幾何散乱変換の緩和に基づく新しいグラフニューラルネットワーク(GNN)モジュールを提案する。 我々の学習可能な幾何散乱(LEGS)モジュールは、ウェーブレットの適応的なチューニングを可能にし、学習された表現に帯域通過の特徴が現れるように促す。
  論文  参考訳（メタデータ） (2022-08-15T22:30:07Z)
• Bridging the Gap between Spatial and Spectral Domains: A Unified Framework for Graph Neural Networks [61.17075071853949]
  グラフニューラルネットワーク(GNN)は、古典的なディープラーニングが容易に管理できないグラフ構造データを扱うように設計されている。 本研究の目的は,スペクトルグラフと近似理論に基づいてGNNを統合する統一フレームワークを確立することである。
  論文  参考訳（メタデータ） (2021-07-21T17:34:33Z)
• Spectral-Spatial Global Graph Reasoning for Hyperspectral Image Classification [50.899576891296235]
  畳み込みニューラルネットワークは、ハイパースペクトル画像分類に広く応用されている。 近年の手法は空間トポロジのグラフ畳み込みによってこの問題に対処しようとしている。
  論文  参考訳（メタデータ） (2021-06-26T06:24:51Z)
• Bridging the Gap Between Spectral and Spatial Domains in Graph Neural Networks [8.563354084119062]
  空間領域やスペクトル領域におけるグラフ畳み込み過程の等価性を示す。 提案フレームワークは、空間領域に適用しながら、独自の周波数プロファイルを持つスペクトル領域の新しい畳み込みを設計するために使用される。
  論文  参考訳（メタデータ） (2020-03-26T01:49:24Z)
• Bridging the Gap between Spatial and Spectral Domains: A Survey on Graph Neural Networks [52.76042362922247]
  グラフニューラルネットワーク(GNN)は、非ユークリッドグラフ構造を扱うように設計されている。 既存のGNNは様々な手法を用いて提示され、直接比較と相互参照がより複雑になる。 既存のGNNを空間およびスペクトル領域に整理し、各領域内の接続を公開する。
  論文  参考訳（メタデータ） (2020-02-27T01:15:10Z)

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。