論文の概要: Graph Condensation: A Survey
- arxiv url: http://arxiv.org/abs/2401.11720v1
- Date: Mon, 22 Jan 2024 06:47:00 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-23 14:57:16.650561
- Title: Graph Condensation: A Survey
- Title(参考訳): グラフ凝縮:調査
- Authors: Xinyi Gao, Junliang Yu, Wei Jiang, Tong Chen, Wentao Zhang, Hongzhi
Yin
- Abstract要約: グラフ凝縮(GC)は、グラフニューラルネットワーク(GNN)の記憶、伝達、および訓練のための革新的なソリューションとして登場した。
GCはコンパクトだが非常に代表的なグラフの合成に重点を置いており、GNNは大きな元のグラフで訓練されたのに匹敵するパフォーマンスを達成できる。
本稿では,GC評価基準に適合する4つのカテゴリ(有効性,一般化性,公正性,効率性)に既存の研究を整理する。
- 参考スコア(独自算出の注目度): 54.88639575893948
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The burgeoning volume of graph data poses significant challenges in storage,
transmission, and particularly the training of graph neural networks (GNNs). To
address these challenges, graph condensation (GC) has emerged as an innovative
solution. GC focuses on synthesizing a compact yet highly representative graph,
on which GNNs can achieve performance comparable to trained on the large
original graph. The notable efficacy of GC and its broad prospects have
garnered significant attention and spurred extensive research. This survey
paper provides an up-to-date and systematic overview of GC, organizing existing
research into four categories aligned with critical GC evaluation criteria:
effectiveness, generalization, fairness, and efficiency. To facilitate an
in-depth and comprehensive understanding of GC, we examine various methods
under each category and thoroughly discuss two essential components within GC:
optimization strategies and condensed graph generation. Additionally, we
introduce the applications of GC in a variety of fields, and highlight the
present challenges and novel insights in GC, promoting advancements in future
research.
- Abstract(参考訳): グラフデータの急増するボリュームは、ストレージ、送信、特にグラフニューラルネットワーク(GNN)のトレーニングにおいて大きな課題となっている。
これらの課題に対処するために、グラフ凝縮(gc)は革新的なソリューションとして登場した。
GCはコンパクトだが非常に代表的なグラフの合成に重点を置いており、GNNは大きな元のグラフで訓練されたのに匹敵するパフォーマンスを達成できる。
gcの特筆すべき有効性とその幅広い展望は大きな注目を集め、広範な研究を促した。
本稿では,GC評価基準に適合する4つのカテゴリ(有効性,一般化性,公正性,効率性)に既存の研究を整理する。
本稿では,GCの詳細な理解を容易にするため,各カテゴリの様々な手法について検討し,GCの最適化戦略と凝縮グラフ生成という2つの重要な要素について徹底的に考察する。
さらに,さまざまな分野におけるGCの適用について紹介し,現在の課題とGCの新たな洞察を強調し,今後の研究の進展を推し進める。
関連論文リスト
- A Survey on Graph Condensation [14.94630644865636]
グラフ凝縮(GC)は、グラフデータのエスカレーション量から生じる課題に対処するソリューションとして登場した。
GCをより深く理解し、他の関連するトピックと区別するために、GCの正式な定義を示し、分類を確立します。
我々は、課題と限界に対処し、今後の方向性を概説し、この分野における今後の研究を促すための簡潔なガイドラインを提供することで、結論付けます。
論文 参考訳(メタデータ) (2024-02-03T02:50:51Z) - DGCLUSTER: A Neural Framework for Attributed Graph Clustering via
Modularity Maximization [5.329981192545312]
本稿では,グラフニューラルネットワークを用いてモジュラリティの目的を最適化し,グラフサイズと線形にスケールする新しい手法DGClusterを提案する。
私たちはDGClusterを、さまざまなサイズの実世界のデータセットで、複数の一般的なクラスタ品質メトリクスで広範囲にテストしています。
われわれの手法は最先端の手法よりも一貫して優れており、ほぼすべての設定で顕著な性能向上を示している。
論文 参考訳(メタデータ) (2023-12-20T01:43:55Z) - From Cluster Assumption to Graph Convolution: Graph-based
Semi-Supervised Learning Revisited [54.30029041452624]
グラフベースの半教師付き学習(GSSL)は、長い間ホットな研究トピックだった。
グラフ畳み込みネットワーク (GCN) は, 有望な性能を示す主要な技術となっている。
論文 参考訳(メタデータ) (2023-09-24T10:10:21Z) - A Comprehensive Survey on Graph Summarization with Graph Neural Networks [21.337505372979066]
過去には、グラフの最も重要な部分を統計的に捉えるために、ほとんどのグラフ要約技術が試みられていた。
今日では、現代のグラフデータの高次元性と複雑さにより、ディープラーニング技術がより普及している。
我々の調査は、GNN、畳み込みGNN、グラフオートエンコーダ、グラフアテンションネットワークなど、現在の最先端アプローチのレビューを含む。
論文 参考訳(メタデータ) (2023-02-13T05:43:24Z) - A Comprehensive Study on Large-Scale Graph Training: Benchmarking and
Rethinking [124.21408098724551]
グラフニューラルネットワーク(GNN)の大規模グラフトレーニングは、非常に難しい問題である
本稿では,既存の問題に対処するため,EnGCNという新たなアンサンブルトレーニング手法を提案する。
提案手法は,大規模データセット上でのSOTA(State-of-the-art)の性能向上を実現している。
論文 参考訳(メタデータ) (2022-10-14T03:43:05Z) - Hub-aware Random Walk Graph Embedding Methods for Classification [68.8204255655161]
ノード分類問題に特化して設計されたランダムウォークに基づく2つの新しいグラフ埋め込みアルゴリズムを提案する。
提案手法は,実世界のネットワークの埋め込みを訓練した3つの分類アルゴリズムの分類性能を解析して実験的に評価する。
論文 参考訳(メタデータ) (2022-09-15T20:41:18Z) - Comprehensive Graph Gradual Pruning for Sparse Training in Graph Neural
Networks [52.566735716983956]
本稿では,CGPと呼ばれるグラフの段階的プルーニングフレームワークを動的にGNNに提案する。
LTHに基づく手法とは異なり、提案手法では再学習を必要とせず、計算コストを大幅に削減する。
提案手法は,既存の手法の精度を一致させたり,あるいは超えたりしながら,トレーニングと推論の効率を大幅に向上させる。
論文 参考訳(メタデータ) (2022-07-18T14:23:31Z) - A Survey on Heterogeneous Graph Embedding: Methods, Techniques,
Applications and Sources [79.48829365560788]
異種情報ネットワーク (heterogenous information network) としても知られるヘテロジニアスグラフ (HGs) は、現実のシナリオにおいてユビキタス化されている。
HG埋め込みは、下流タスクのための不均一な構造と意味を保ちながら、低次元空間での表現を学習することを目的としている。
論文 参考訳(メタデータ) (2020-11-30T15:03:47Z) - Adaptive Graph Convolutional Network with Attention Graph Clustering for
Co-saliency Detection [35.23956785670788]
注目グラフクラスタリング(GCAGC)を用いた新しい適応グラフ畳み込みネットワークを提案する。
注意グラフクラスタリングアルゴリズムを開発し、教師なしの方法で全前景オブジェクトから共通オブジェクトを識別する。
提案手法を3つのコサリエンシ検出ベンチマークデータセット上で評価した。
論文 参考訳(メタデータ) (2020-03-13T09:35:59Z)
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。