論文の概要: Reviving Life on the Edge: Joint Score-Based Graph Generation of Rich Edge Attributes

• arxiv url: http://arxiv.org/abs/2402.04046v2
• Date: Thu, 26 Dec 2024 13:57:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-30 17:22:58.330817
• Title: Reviving Life on the Edge: Joint Score-Based Graph Generation of Rich Edge Attributes
• Title（参考訳）: エッジ上のリバイバルライフ:リッチエッジ属性のジョイントスコアベースグラフ生成
• Authors: Nimrod Berman, Eitan Kosman, Dotan Di Castro, Omri Azencot,
• Abstract要約: 本稿では,全てのグラフ成分を考慮したグラフ生成のためのノードとエッジの連成スコアベースモデルを提案する。 textbf(1)ノードとエッジ属性をアテンションモジュールに結合し,その2つの成分に基づいてサンプルを生成する。 我々は,エッジ特徴が重要となる実世界のデータセットと合成データセットを含む,挑戦的なベンチマークについて評価する。
• 参考スコア（独自算出の注目度）: 14.718204958140888
• License:
• Abstract: Graph generation is integral to various engineering and scientific disciplines. Nevertheless, existing methodologies tend to overlook the generation of edge attributes. However, we identify critical applications where edge attributes are essential, making prior methods potentially unsuitable in such contexts. Moreover, while trivial adaptations are available, empirical investigations reveal their limited efficacy as they do not properly model the interplay among graph components. To address this, we propose a joint score-based model of nodes and edges for graph generation that considers all graph components. Our approach offers three key novelties: \textbf{(1)} node and edge attributes are combined in an attention module that generates samples based on the two ingredients, \textbf{(2)} node, edge and adjacency information are mutually dependent during the graph diffusion process, and \textbf{(3)} the framework enables the generation of graphs with rich attributes along the edges, providing a more expressive formulation for generative tasks than existing works. We evaluate our method on challenging benchmarks involving real-world and synthetic datasets in which edge features are crucial. Additionally, we introduce a new synthetic dataset that incorporates edge values. Furthermore, we propose a novel application that greatly benefits from the method due to its nature: the generation of traffic scenes represented as graphs. Our method outperforms other graph generation methods, demonstrating a significant advantage in edge-related measures.
• Abstract（参考訳）: グラフ生成は様々な工学と科学の分野に不可欠である。 それでも、既存の方法論はエッジ属性の生成を見逃す傾向がある。 しかし、エッジ属性が必須となる重要なアプリケーションを特定し、そのような状況下では事前の手法が適さない可能性がある。 さらに、自明な適応が利用可能であるが、グラフコンポーネント間の相互作用を適切にモデル化しないため、実験的な研究によりその有効性は限られていることが明らかになった。 そこで我々は,全てのグラフ成分を考慮したグラフ生成のためのノードとエッジの合同スコアベースモデルを提案する。 提案手法では, グラフ拡散過程において, エッジと隣接情報を相互に依存させ, エッジに沿ったリッチな属性を持つグラフの生成を可能にし, 既存の作業よりも生成タスクを表現的に定式化することができる。 我々は,エッジ特徴が重要となる実世界のデータセットと合成データセットを含む,挑戦的なベンチマークについて評価する。 さらに、エッジ値を組み込んだ新しい合成データセットも導入する。 さらに,グラフとして表現された交通シーンの生成という,本手法の利点を生かした新しいアプリケーションを提案する。 本手法は他のグラフ生成法よりも優れており,エッジ関連尺度において有意な優位性を示す。

関連論文リスト

• Graph Transformer GANs with Graph Masked Modeling for Architectural Layout Generation [153.92387500677023]
  本稿では,グラフノード関係を効果的に学習するために,GTGAN(Graph Transformer Generative Adversarial Network)を提案する。 提案したグラフ変換器エンコーダは、局所的およびグローバルな相互作用をモデル化するために、Transformer内のグラフ畳み込みと自己アテンションを組み合わせる。 また,グラフ表現学習のための自己指導型事前学習手法を提案する。
  論文  参考訳（メタデータ） (2024-01-15T14:36:38Z)
• Semantic Random Walk for Graph Representation Learning in Attributed Graphs [2.318473106845779]
  本稿では,2つの異種ソースの結合最適化を高次近接ベースフレームワークに定式化するための新しい意味グラフ表現(SGR)法を提案する。 高次トポロジ確率を考慮した従来の埋め込み法は、新しく構築されたグラフに容易に適用でき、ノードと属性の両方の表現を学習することができる。 学習された属性の埋め込みは、セマンティック指向の推論タスクを効果的にサポートし、グラフの深いセマンティックを明らかにするのに役立つ。
  論文  参考訳（メタデータ） (2023-05-11T02:35:16Z)
• GrannGAN: Graph annotation generative adversarial networks [72.66289932625742]
  本稿では,高次元分布をモデル化し,グラフスケルトンと整合した複雑な関係特徴構造を持つデータの新しい例を生成することの問題点を考察する。 提案するモデルは,タスクを2つのフェーズに分割することで,各データポイントのグラフ構造に制約されたデータ特徴を生成する問題に対処する。 第一に、与えられたグラフのノードに関連する機能の分布をモデル化し、第二に、ノードのフィーチャに条件付きでエッジ機能を補完する。
  論文  参考訳（メタデータ） (2022-12-01T11:49:07Z)
• SHGNN: Structure-Aware Heterogeneous Graph Neural Network [77.78459918119536]
  本稿では、上記の制約に対処する構造対応不均一グラフニューラルネットワーク(SHGNN)を提案する。 まず,メタパス内の中間ノードの局所構造情報を取得するために,特徴伝搬モジュールを利用する。 次に、ツリーアテンションアグリゲータを使用して、グラフ構造情報をメタパス上のアグリゲーションモジュールに組み込む。 最後に、メタパスアグリゲータを利用して、異なるメタパスから集約された情報を融合する。
  論文  参考訳（メタデータ） (2021-12-12T14:18:18Z)
• 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)
• Edge Representation Learning with Hypergraphs [36.03482700241067]
  本稿では,グラフのエッジをハイパーグラフのノードに変換するDHT(Dual Hypergraph Transformation)に基づく新しいエッジ表現学習フレームワークを提案する。 グラフ表現と生成性能のための多種多様なグラフデータセット上で,ハイパーグラフを用いたエッジ表現学習法を検証する。 我々のエッジ表現学習とプーリング法はグラフ分類における最先端のグラフプーリング法よりも優れています。
  論文  参考訳（メタデータ） (2021-06-30T06:59:05Z)
• A Robust and Generalized Framework for Adversarial Graph Embedding [73.37228022428663]
  本稿では,AGE という逆グラフ埋め込みのための頑健なフレームワークを提案する。 AGEは、暗黙の分布から強化された負のサンプルとして偽の隣接ノードを生成する。 本フレームワークでは,3種類のグラフデータを扱う3つのモデルを提案する。
  論文  参考訳（メタデータ） (2021-05-22T07:05:48Z)
• Co-embedding of Nodes and Edges with Graph Neural Networks [13.020745622327894]
  グラフ埋め込みは、高次元および非ユークリッド特徴空間でデータ構造を変換しエンコードする方法である。 CensNetは一般的なグラフ埋め込みフレームワークで、ノードとエッジの両方を潜在機能空間に埋め込む。 提案手法は,4つのグラフ学習課題における最先端のパフォーマンスを達成または一致させる。
  論文  参考訳（メタデータ） (2020-10-25T22:39:31Z)
• Interpretable Deep Graph Generation with Node-Edge Co-Disentanglement [55.2456981313287]
  本稿では,属性グラフの深部生成モデルのための新しいアンタングルメント拡張フレームワークを提案する。 ノードとエッジのデコンボリューションのための新しいアーキテクチャを用いて、上記の3種類の潜伏因子を解離する新しい変分的目的を提案する。 各タイプ内では、画像の既存のフレームワークの一般化が示され、個々の因子のゆがみがさらに強化される。
  論文  参考訳（メタデータ） (2020-06-09T16:33:49Z)

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。