論文の概要: GraphViz2Vec: A Structure-aware Feature Generation Model to Improve
Classification in GNNs
- arxiv url: http://arxiv.org/abs/2401.17178v1
- Date: Tue, 30 Jan 2024 17:11:04 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-31 14:07:27.289461
- Title: GraphViz2Vec: A Structure-aware Feature Generation Model to Improve
Classification in GNNs
- Title（参考訳）: GraphViz2Vec:GNNの分類を改善する構造認識機能生成モデル
- Authors: Shraban Kumar Chatterjee, Suman Kundu
- Abstract要約: GNNはノード分類やリンク予測など,さまざまなタスクの解決に広く利用されている。
本稿では,ノードの近傍構造情報を抽出する特徴抽出手法GraphViz2Vecを提案する。
これらの初期埋め込みは、様々な分類タスクにおいて、既存のモデルが最先端の結果を達成するのに役立つ。
- 参考スコア（独自算出の注目度）: 2.0823678201707034
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: GNNs are widely used to solve various tasks including node classification and
link prediction. Most of the GNN architectures assume the initial embedding to
be random or generated from popular distributions. These initial embeddings
require multiple layers of transformation to converge into a meaningful latent
representation. While number of layers allow accumulation of larger
neighbourhood of a node it also introduce the problem of over-smoothing. In
addition, GNNs are inept at representing structural information. For example,
the output embedding of a node does not capture its triangles participation. In
this paper, we presented a novel feature extraction methodology GraphViz2Vec
that can capture the structural information of a node's local neighbourhood to
create meaningful initial embeddings for a GNN model. These initial embeddings
helps existing models achieve state-of-the-art results in various
classification tasks. Further, these initial embeddings help the model to
produce desired results with only two layers which in turn reduce the problem
of over-smoothing. The initial encoding of a node is obtained from an image
classification model trained on multiple energy diagrams of its local
neighbourhood. These energy diagrams are generated with the induced sub-graph
of the nodes traversed by multiple random walks. The generated encodings
increase the performance of existing models on classification tasks (with a
mean increase of $4.65\%$ and $2.58\%$ for the node and link classification
tasks, respectively), with some models achieving state-of-the-art results.
- Abstract（参考訳）: GNNはノード分類やリンク予測など,さまざまなタスクの解決に広く利用されている。
GNNアーキテクチャのほとんどは、初期埋め込みはランダムまたは一般的な分布から生成されると仮定している。
これらの初期埋め込みは意味のある潜在表現に収束するために複数の変換層を必要とする。
レイヤの数がノードのより大きな近傍の蓄積を可能にする一方で、オーバースムーシングの問題も引き起こす。
さらに、GNNは構造情報を表現できない。
例えば、ノードの出力埋め込みは、その三角形の参加を捉えない。
本稿では,gnnモデルのための有意義な初期埋め込みを作成するために,ノードの局所的近傍の構造情報をキャプチャできる新しい特徴抽出手法であるgraphviz2vecを提案する。
これらの初期埋め込みは、既存のモデルが様々な分類タスクで最先端の結果を得るのに役立つ。
さらに、これらの初期埋め込みは、2つの層だけでモデルが望ましい結果を生成するのに役立つ。
ノードの初期符号化は、そのローカル近傍の複数のエネルギーダイアグラムで訓練された画像分類モデルから得られる。
これらのエネルギー図は、複数のランダムウォークによって横断されるノードの誘導サブグラフによって生成される。
生成されたエンコーディングは、分類タスクにおける既存のモデルのパフォーマンスを向上させる(ノードとリンクの分類タスクに対して平均4.65\%$と2.58\%$)。
関連論文リスト
- Tackling Oversmoothing in GNN via Graph Sparsification: A Truss-based Approach [1.4854797901022863]
本稿では,グラフの高密度領域からエッジを抽出する新鮮で柔軟なトラスグラフスペーシフィケーションモデルを提案する。
次に、GIN、SAGPool、GMT、DiffPool、MinCutPool、HGP-SL、DMonPool、AdamGNNといった最先端のベースラインGNNとプールモデルでスパーシフィケーションモデルを利用する。
論文 参考訳（メタデータ） (2024-07-16T17:21:36Z) - Degree-based stratification of nodes in Graph Neural Networks [66.17149106033126]
グラフニューラルネットワーク(GNN)アーキテクチャを変更して,各グループのノードに対して,重み行列を個別に学習する。
このシンプルな実装変更により、データセットとGNNメソッドのパフォーマンスが改善されているようだ。
論文 参考訳（メタデータ） (2023-12-16T14:09:23Z) - Content Augmented Graph Neural Networks [0.824969449883056]
本稿では, ノードの埋め込みを, コンテンツから生成された埋め込みによって, 上位のGNN層に拡張することを提案する。
自動エンコーダやコンテンツグラフの構築など,コンテンツ埋め込みを生成する手法を提案する。
論文 参考訳（メタデータ） (2023-11-21T17:30:57Z) - NDGGNET-A Node Independent Gate based Graph Neural Networks [6.155450481110693]
疎結合なノードでは、単一のGNN層を通して十分な情報を得るのは難しい。
この論文では、通常のGNNモデルでより多くのレイヤに対応可能な新しいフレームワークを定義する。
実験結果から,提案モデルがモデル深度を効果的に向上し,複数のデータセットで良好に動作できることが示唆された。
論文 参考訳（メタデータ） (2022-05-11T08:51:04Z) - A Variational Edge Partition Model for Supervised Graph Representation
Learning [51.30365677476971]
本稿では,重なり合うノード群間の相互作用を集約することで,観測されたエッジがどのように生成されるかをモデル化するグラフ生成プロセスを提案する。
それぞれのエッジを複数のコミュニティ固有の重み付きエッジの和に分割し、コミュニティ固有のGNNを定義する。
エッジを異なるコミュニティに分割するGNNベースの推論ネットワーク,これらのコミュニティ固有のGNN,およびコミュニティ固有のGNNを最終分類タスクに組み合わせたGNNベースの予測器を共同で学習するために,変分推論フレームワークを提案する。
論文 参考訳（メタデータ） (2022-02-07T14:37:50Z) - Feature Correlation Aggregation: on the Path to Better Graph Neural
Networks [37.79964911718766]
グラフニューラルネットワーク(GNN)が導入される以前、不規則なデータ、特にグラフのモデリングと解析は、ディープラーニングのアキレスのヒールであると考えられていた。
本稿では,GNNのコア操作に対して,極めて単純かつ無作為な修正を施した中央ノード置換変分関数を提案する。
モデルの具体的な性能向上は、モデルがより少ないパラメータを使用しながら、有意なマージンで過去の最先端結果を上回った場合に観察される。
論文 参考訳（メタデータ） (2021-09-20T05:04:26Z) - Position-based Hash Embeddings For Scaling Graph Neural Networks [8.87527266373087]
グラフニューラルネットワーク(GNN)は、ノードのエゴネットワークのトポロジとエゴネットワークのノードの特徴を考慮したノード表現を演算する。
ノードが高品質な機能を持っていない場合、GNNはノードの埋め込みを計算するために埋め込み層を学び、それらを入力機能として使用する。
この埋め込みレイヤに関連するメモリを削減するため、NLPやレコメンダシステムのようなアプリケーションで一般的に使用されるハッシュベースのアプローチが利用可能である。
本稿では,グラフ内のノードの位置を利用して,必要なメモリを大幅に削減する手法を提案する。
論文 参考訳（メタデータ） (2021-08-31T22:42:25Z) - Explicit Pairwise Factorized Graph Neural Network for Semi-Supervised
Node Classification [59.06717774425588]
本稿では,グラフ全体を部分的に観測されたマルコフ確率場としてモデル化するEPFGNN(Explicit Pairwise Factorized Graph Neural Network)を提案する。
出力-出力関係をモデル化するための明示的なペアワイズ要素を含み、入力-出力関係をモデル化するためにGNNバックボーンを使用する。
本研究では,グラフ上での半教師付きノード分類の性能を効果的に向上できることを示す。
論文 参考訳（メタデータ） (2021-07-27T19:47:53Z) - A Unified View on Graph Neural Networks as Graph Signal Denoising [49.980783124401555]
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の学習表現において顕著に普及している。
本研究では,代表的GNNモデル群における集約過程を,グラフ記述問題の解法とみなすことができることを数学的に確立する。
UGNNから派生した新しいGNNモデルADA-UGNNをインスタンス化し、ノード間の適応的滑らかさでグラフを処理する。
論文 参考訳（メタデータ） (2020-10-05T04:57:18Z) - Distance Encoding: Design Provably More Powerful Neural Networks for
Graph Representation Learning [63.97983530843762]
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大きな成功を収めている。
GNNは、実際には非常に異なるグラフ部分構造に対して同一の表現を生成する。
より強力なGNNは、最近高階試験を模倣して提案され、基礎となるグラフ構造を疎結合にできないため、非効率である。
本稿では,グラフ表現学習の新たなクラスとして距離分解(DE)を提案する。
論文 参考訳（メタデータ） (2020-08-31T23:15:40Z) - Towards Deeper Graph Neural Networks with Differentiable Group
Normalization [61.20639338417576]
グラフニューラルネットワーク(GNN)は、隣接するノードを集約することでノードの表現を学習する。
オーバースムーシングは、レイヤーの数が増えるにつれてGNNのパフォーマンスが制限される重要な問題のひとつです。
2つのオーバースムースなメトリクスと新しいテクニック、すなわち微分可能群正規化(DGN)を導入する。
論文 参考訳（メタデータ） (2020-06-12T07:18:02Z)
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。