論文の概要: Simplifying Hypergraph Neural Networks

• arxiv url: http://arxiv.org/abs/2402.05569v2
• Date: Sun, 19 May 2024 18:01:05 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-21 23:20:37.991744
• Title: Simplifying Hypergraph Neural Networks
• Title（参考訳）: ハイパーグラフニューラルネットワークの簡易化
• Authors: Bohan Tang, Zexi Liu, Keyue Jiang, Siheng Chen, Xiaowen Dong,
• Abstract要約: 簡易ハイパーグラフニューラルネットワーク(SHNN)と呼ばれる学習自由モデルを提案する。 SHNNはトレーニングフリーモデルを用いてハイパーグラフ構造情報をノード機能に統合する。 Cora-CAでは、SHNNベースのフレームワークが最も高いノード分類精度を達成し、最高のベースラインのトレーニング時間はわずか2%である。
• 参考スコア（独自算出の注目度）: 35.35391968349657
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Hypergraphs, with hyperedges connecting multiple nodes, are crucial for modelling higher-order interactions in real-world data. In frameworks utilising hypergraphs for downstream tasks, a task-specific model is typically paired with a hypergraph neural network (HNN). HNNs enhance the task-specific model by generating node features with hypergraph structural information via message passing. However, the training for HNNs is often computationally intensive, which limits their practical use. To tackle this challenge, we propose an alternative approach by integrating hypergraph structural information into node features using a training-free model called simplified hypergraph neural network (SHNN) that only contains a predefined propagation step. We theoretically show the efficiency and effectiveness of SHNN by showing that: 1) It largely reduces the training complexity when solving hypergraph-related downstream tasks compared to existing HNNs; 2) It utilises as much information as existing HNNs for node feature generation; and 3) It is robust against the oversmoothing issue while using long-range interactions. Experiments in node classification and hyperedge prediction showcase that, compared to state-of-the-art HNNs, SHNN leads to both competitive performance and superior training efficiency. Notably, on Cora-CA, the SHNN-based framework achieves the highest node classification accuracy with just 2% training time of the best baseline.
• Abstract（参考訳）: ハイパーグラフは、複数のノードを接続するハイパーエッジを持ち、現実世界のデータにおける高次の相互作用をモデル化するのに不可欠である。 下流タスクにハイパーグラフを利用するフレームワークでは、タスク固有のモデルは一般的にハイパーグラフニューラルネットワーク(HNN)とペアリングされる。 HNNは、メッセージパッシングを介してハイパーグラフ構造情報を持つノード特徴を生成することにより、タスク固有モデルを強化する。 しかし、HNNのトレーニングはしばしば計算集約的であり、実用性に制限がある。 この課題に対処するため、我々は、事前に定義された伝播ステップのみを含む簡易ハイパーグラフニューラルネットワーク(SHNN)と呼ばれるトレーニングフリーモデルを用いて、ハイパーグラフ構造情報をノード特徴に統合する代替手法を提案する。 SHNNの有効性と効果を理論的に示す。 1)既存のHNNと比較して、ハイパーグラフに関連する下流タスクを解く際のトレーニングの複雑さを大幅に減らす。 2)ノードの特徴生成に既存のHNNと同じくらいの情報を利用する。 3)長距離相互作用を用いた場合,過度にスムースな問題に対して頑健である。 ノード分類とハイパーエッジ予測の実験では、最先端のHNNと比較して、SHNNは競争性能と優れたトレーニング効率の両方をもたらすことが示されている。 Cora-CAでは、SHNNベースのフレームワークが最も高いノード分類精度を達成し、最高のベースラインのトレーニング時間は2%に過ぎなかった。

関連論文リスト

• Molecular Hypergraph Neural Networks [1.4559839293730863]
  グラフニューラルネットワーク(GNN)は、様々な化学関連タスクで有望なパフォーマンスを示している。 分子ハイパーグラフを導入し、有機半導体の光電子特性を予測する分子ハイパーグラフニューラルネットワーク(MHNN)を提案する。 MHNNは、OPV、OCELOTv1、PCQM4Mv2データセットのほとんどのタスクにおけるベースラインモデルよりも優れている。
  論文  参考訳（メタデータ） (2023-12-20T15:56:40Z)
• Label Deconvolution for Node Representation Learning on Large-scale Attributed Graphs against Learning Bias [75.44877675117749]
  本稿では,GNNの逆写像に対する新しい,スケーラブルな近似による学習バイアスを軽減するために,ラベルの効率的な正規化手法,すなわちラベルのデコンボリューション(LD)を提案する。 実験では、LDはOpen Graphデータセットのベンチマークで最先端のメソッドを大幅に上回っている。
  論文  参考訳（メタデータ） (2023-09-26T13:09:43Z)
• From Hypergraph Energy Functions to Hypergraph Neural Networks [94.88564151540459]
  パラメータ化されたハイパーグラフ正規化エネルギー関数の表現型族を示す。 次に、これらのエネルギーの最小化がノード埋め込みとして効果的に機能することを実証する。 提案した双レベルハイパーグラフ最適化と既存のGNNアーキテクチャを共通的に用いている。
  論文  参考訳（メタデータ） (2023-06-16T04:40:59Z)
• Tensorized Hypergraph Neural Networks [69.65385474777031]
  我々は,新しいアジャケーシテンソルベースのtextbfTensorized textbfHypergraph textbfNeural textbfNetwork (THNN) を提案する。 THNNは高次外装機能パッシングメッセージを通じて、忠実なハイパーグラフモデリングフレームワークである。 3次元視覚オブジェクト分類のための2つの広く使われているハイパーグラフデータセットの実験結果から、モデルの有望な性能を示す。
  論文  参考訳（メタデータ） (2023-06-05T03:26:06Z)
• Decouple Graph Neural Networks: Train Multiple Simple GNNs Simultaneously Instead of One [60.5818387068983]
  グラフニューラルネットワーク(GNN)は、深刻な非効率性に悩まされている。 我々は,より効率的なトレーニングを行うために,多層GNNを複数の単純なモジュールとして分離することを提案する。 提案するフレームワークは,合理的な性能で高い効率性を示す。
  論文  参考訳（メタデータ） (2023-04-20T07:21:32Z)
• Online Cross-Layer Knowledge Distillation on Graph Neural Networks with Deep Supervision [6.8080936803807734]
  グラフニューラルネットワーク(GNN)は、学術と産業の両方で最も人気のある研究トピックの1つとなっている。 大規模なデータセットは、限られたリソースを持つエッジデバイスにGNNをデプロイする上で、大きな課題となっている。 本稿ではAlignahead++と呼ばれる新しいオンライン知識蒸留フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-10-25T03:21:20Z)
• Equivariant Hypergraph Diffusion Neural Operators [81.32770440890303]
  ハイパーグラフを符号化するためにニューラルネットワークを使用するハイパーグラフニューラルネットワーク(HNN)は、データの高次関係をモデル化する有望な方法を提供する。 本研究ではED-HNNと呼ばれる新しいHNNアーキテクチャを提案する。 実世界の9つのハイパーグラフデータセットのノード分類におけるED-HNNの評価を行った。
  論文  参考訳（メタデータ） (2022-07-14T06:17:00Z)
• Strengthening the Training of Convolutional Neural Networks By Using Walsh Matrix [0.0]
  分類性能を向上させるため,DNNのトレーニングと構造を変更した。 畳み込みニューラルネットワーク(CNN)の最後の層に続く最小距離ネットワーク(MDN)が分類器として使用される。 異なる領域では、ノード数が少ないDivFEを使用することでより高い分類性能が得られたことが観察されている。
  論文  参考訳（メタデータ） (2021-03-31T18:06:11Z)
• Binary Graph Neural Networks [69.51765073772226]
  グラフニューラルネットワーク(gnns)は、不規則データに対する表現学習のための強力で柔軟なフレームワークとして登場した。 本稿では,グラフニューラルネットワークのバイナライゼーションのための異なる戦略を提示し,評価する。 モデルの慎重な設計とトレーニングプロセスの制御によって、バイナリグラフニューラルネットワークは、挑戦的なベンチマークの精度において、適度なコストでトレーニングできることを示しています。
  論文  参考訳（メタデータ） (2020-12-31T18:48:58Z)

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。