論文の概要: DGNN: Decoupled Graph Neural Networks with Structural Consistency between Attribute and Graph Embedding Representations

• arxiv url: http://arxiv.org/abs/2401.15584v1
• Date: Sun, 28 Jan 2024 06:43:13 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-30 17:24:29.454094
• Title: DGNN: Decoupled Graph Neural Networks with Structural Consistency between Attribute and Graph Embedding Representations
• Title（参考訳）: DGNN: 属性とグラフ埋め込み表現の間の構造整合性を持つグラフニューラルネットワーク
• Authors: Jinlu Wang, Jipeng Guo, Yanfeng Sun, Junbin Gao, Shaofan Wang, Yachao Yang, Baocai Yin
• Abstract要約: グラフニューラルネットワーク(GNN)は、複雑な構造を持つグラフ上での表現学習の堅牢性を示す。 ノードのより包括的な埋め込み表現を得るために、Decoupled Graph Neural Networks (DGNN)と呼ばれる新しいGNNフレームワークが導入された。 複数のグラフベンチマークデータセットを用いて、ノード分類タスクにおけるDGNNの優位性を検証した。
• 参考スコア（独自算出の注目度）: 62.04558318166396
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Graph neural networks (GNNs) demonstrate a robust capability for representation learning on graphs with complex structures, showcasing superior performance in various applications. The majority of existing GNNs employ a graph convolution operation by using both attribute and structure information through coupled learning. In essence, GNNs, from an optimization perspective, seek to learn a consensus and compromise embedding representation that balances attribute and graph information, selectively exploring and retaining valid information. To obtain a more comprehensive embedding representation of nodes, a novel GNNs framework, dubbed Decoupled Graph Neural Networks (DGNN), is introduced. DGNN explores distinctive embedding representations from the attribute and graph spaces by decoupled terms. Considering that semantic graph, constructed from attribute feature space, consists of different node connection information and provides enhancement for the topological graph, both topological and semantic graphs are combined for the embedding representation learning. Further, structural consistency among attribute embedding and graph embeddings is promoted to effectively remove redundant information and establish soft connection. This involves promoting factor sharing for adjacency reconstruction matrices, facilitating the exploration of a consensus and high-level correlation. Finally, a more powerful and complete representation is achieved through the concatenation of these embeddings. Experimental results conducted on several graph benchmark datasets verify its superiority in node classification task.
• Abstract（参考訳）: グラフニューラルネットワーク(GNN)は、複雑な構造を持つグラフ上での表現学習の堅牢性を示し、様々なアプリケーションで優れたパフォーマンスを示す。 既存のGNNの多くは、属性情報と構造情報の両方を結合学習によって利用することで、グラフ畳み込み演算を採用している。 本質的に、GNNは最適化の観点から、属性とグラフ情報のバランスをとるコンセンサスと妥協した埋め込み表現を学び、有効な情報を選択的に探索し保持する。 ノードのより包括的な埋め込み表現を得るために、Decoupled Graph Neural Networks (DGNN)と呼ばれる新しいGNNフレームワークが導入された。 DGNNは、属性とグラフ空間から分離された項によって固有の埋め込み表現を探索する。 属性特徴空間から構築されたセマンティックグラフは、異なるノード接続情報から構成され、トポロジカルグラフの強化を提供するので、トポロジカルグラフとセマンティックグラフを組み合わせて埋め込み表現学習を行う。 さらに、属性埋め込みとグラフ埋め込みの間の構造整合性を高め、冗長情報を効果的に除去し、ソフト接続を確立する。 これには、隣接再構成行列の因子共有を促進し、コンセンサスと高レベルの相関関係の探索を容易にすることが含まれる。 最後に、より強力で完全な表現は、これらの埋め込みの結合によって達成される。 いくつかのグラフベンチマークデータセットで実施された実験結果は、ノード分類タスクにおいてその優位性を検証する。

関連論文リスト

• MDS-GNN: A Mutual Dual-Stream Graph Neural Network on Graphs with Incomplete Features and Structure [8.00268216176428]
  グラフニューラルネットワーク(GNN)は、グラフ構造化データから表現を分析し学習するための強力なツールとして登場した。 GNNの卓越した性能にとって重要な前提条件は、完全なグラフ情報の提供である。 本研究では,特徴と構造間の相互利益学習を実装した相互二重ストリームグラフニューラルネットワーク(MDS-GNN)を提案する。
  論文  参考訳（メタデータ） (2024-08-09T03:42:56Z)
• Higher Order Structures For Graph Explanations [9.164945693135959]
  グラフ説明における高階表現のためのフレームワーク(FORGE)を提案する。 FORGEはグラフ説明器が高次のマルチノードインタラクションをキャプチャすることを可能にする。 平均説明精度をそれぞれ1.9倍と2.25倍に改善する。
  論文  参考訳（メタデータ） (2024-06-05T13:31:30Z)
• Harnessing Collective Structure Knowledge in Data Augmentation for Graph Neural Networks [25.12261412297796]
  グラフニューラルネットワーク(GNN)は,グラフ表現学習において最先端のパフォーマンスを達成した。 我々は新しいアプローチ、すなわち集合構造知識強化グラフニューラルネットワーク(CoS-GNN)を提案する。
  論文  参考訳（メタデータ） (2024-05-17T08:50:00Z)
• Relating-Up: Advancing Graph Neural Networks through Inter-Graph Relationships [17.978546172777342]
  グラフニューラルネットワーク(GNN)は、グラフ構造化データから学ぶのに優れています。 彼らの成功にもかかわらず、GNNはグラフ間の関係のコンテキストを無視して制限される。 本稿では,グラフ間の関係を利用してGNNを強化するプラグイン・アンド・プレイモジュールであるRelating-Upを紹介する。
  論文  参考訳（メタデータ） (2024-05-07T02:16:54Z)
• DEGREE: Decomposition Based Explanation For Graph Neural Networks [55.38873296761104]
  我々は,GNN予測に対する忠実な説明を提供するためにDGREEを提案する。 GNNの情報生成と集約機構を分解することにより、DECREEは入力グラフの特定のコンポーネントのコントリビューションを最終的な予測に追跡することができる。 また,従来の手法で見過ごされるグラフノード間の複雑な相互作用を明らかにするために,サブグラフレベルの解釈アルゴリズムを設計する。
  論文  参考訳（メタデータ） (2023-05-22T10:29:52Z)
• Reinforced Neighborhood Selection Guided Multi-Relational Graph Neural Networks [68.9026534589483]
  RioGNNはReinforceed, recursive, flexible neighborhood selection guided multi-relational Graph Neural Network architectureである。 RioGNNは、各関係の個々の重要性の認識により、説明性を高めた差別的なノード埋め込みを学ぶことができる。
  論文  参考訳（メタデータ） (2021-04-16T04:30:06Z)
• Hierarchical Graph Capsule Network [78.4325268572233]
  ノード埋め込みを共同で学習し,グラフ階層を抽出できる階層型グラフカプセルネットワーク(HGCN)を提案する。 階層的表現を学ぶために、HGCNは下層カプセル(部分)と高層カプセル(全体)の間の部分的関係を特徴付ける。
  論文  参考訳（メタデータ） (2020-12-16T04:13:26Z)
• Graph Information Bottleneck [77.21967740646784]
  グラフニューラルネットワーク(GNN)は、ネットワーク構造とノード機能から情報を融合する表現的な方法を提供する。 GIBは、一般的なInformation Bottleneck (IB) を継承し、与えられたタスクに対する最小限の表現を学習することを目的としている。 提案したモデルが最先端のグラフ防御モデルよりも堅牢であることを示す。
  論文  参考訳（メタデータ） (2020-10-24T07:13:00Z)
• Hierarchical Message-Passing Graph Neural Networks [12.207978823927386]
  本稿では,新しい階層型メッセージパッシンググラフニューラルネットワークフレームワークを提案する。 鍵となるアイデアは、フラットグラフ内のすべてのノードをマルチレベルなスーパーグラフに再編成する階層構造を生成することである。 階層型コミュニティ対応グラフニューラルネットワーク(HC-GNN)と呼ばれる,このフレームワークを実装した最初のモデルを提案する。
  論文  参考訳（メタデータ） (2020-09-08T13:11:07Z)
• Tensor Graph Convolutional Networks for Multi-relational and Robust Learning [74.05478502080658]
  本稿では,テンソルで表されるグラフの集合に関連するデータから,スケーラブルな半教師付き学習(SSL)を実現するためのテンソルグラフ畳み込みネットワーク(TGCN)を提案する。 提案アーキテクチャは、標準的なGCNと比較して大幅に性能が向上し、最先端の敵攻撃に対処し、タンパク質間相互作用ネットワーク上でのSSL性能が著しく向上する。
  論文  参考訳（メタデータ） (2020-03-15T02:33:21Z)

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。