論文の概要: Sign Rank Limitations for Attention-Based Graph Decoders
- arxiv url: http://arxiv.org/abs/2402.06662v1
- Date: Tue, 6 Feb 2024 02:17:20 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-18 13:56:09.140793
- Title: Sign Rank Limitations for Attention-Based Graph Decoders
- Title(参考訳): 注意に基づくグラフデコーダの符号ランク制限
- Authors: Su Hyeong Lee and Qingqi Zhang and Risi Kondor
- Abstract要約: 内部製品ベースのデコーダは、潜伏埋め込みから有意義なデータを抽出するために使用される最も影響力のあるフレームワークの一つである。
グラフデータにおいて,この普及現象を初めて理論的に解明し,この問題を回避するための簡単な修正を提案する。
- 参考スコア(独自算出の注目度): 5.564976582065106
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Inner product-based decoders are among the most influential frameworks used
to extract meaningful data from latent embeddings. However, such decoders have
shown limitations in representation capacity in numerous works within the
literature, which have been particularly notable in graph reconstruction
problems. In this paper, we provide the first theoretical elucidation of this
pervasive phenomenon in graph data, and suggest straightforward modifications
to circumvent this issue without deviating from the inner product framework.
- Abstract(参考訳): 内部製品ベースのデコーダは、潜在埋め込みから有意義なデータを抽出するために使用される最も影響力のあるフレームワークの1つである。
しかし、そのようなデコーダは、特にグラフ再構成問題において顕著な多くの著作において、表現能力の限界を示している。
本稿では,この普及現象をグラフデータで初めて理論的に解明し,内部積の枠組みから逸脱することなく,この問題を回避するための簡単な修正を提案する。
関連論文リスト
- Uncertainty-Aware Robust Learning on Noisy Graphs [16.66112191539017]
本稿では,分散的ロバストな最適化を動機とした,新しい不確実性を考慮したグラフ学習フレームワークを提案する。
具体的には、グラフニューラルネットワークベースのエンコーダを使用して、ノードの特徴を埋め込んで、最適なノード埋め込みを見つけます。
このような不確実性を考慮した学習プロセスは、ノード表現の改善と、より堅牢なグラフ予測モデルをもたらす。
論文 参考訳(メタデータ) (2023-06-14T02:45:14Z) - Scribble-Supervised Target Extraction Method Based on Inner
Structure-Constraint for Remote Sensing Images [20.76892079773621]
リモートセンシング画像のターゲット抽出におけるスクリブルアノテーションに基づく弱教師付き学習が注目されている。
本研究では,2つの内部構造制約,変形整合性損失とトレーニング可能なアクティブな輪郭損失と,エンコーダ・デコーダネットワークの最適化を監督するスクリブル制約を構築する。
論文 参考訳(メタデータ) (2023-05-18T02:49:07Z) - CAFIN: Centrality Aware Fairness inducing IN-processing for Unsupervised Representation Learning on Graphs [10.042608422528392]
CAFIN(Centrality-aware Fairness-inducing framework)は、既存のフレームワークが生成した表現を調整するためのフレームワークである。
GraphSAGEにデプロイし、ノード分類とリンク予測という2つの下流タスクで有効性を示します。
論文 参考訳(メタデータ) (2023-04-10T05:40:09Z) - DAGAD: Data Augmentation for Graph Anomaly Detection [57.92471847260541]
本稿では、属性グラフのための新しいデータ拡張ベースのグラフ異常検出(DAGAD)フレームワークを考案する。
3つのデータセットに関する一連の実験は、DAGADが様々な主に使用されるメトリクスに関して、10の最先端のベースライン検出器より優れていることを証明している。
論文 参考訳(メタデータ) (2022-10-18T11:28:21Z) - Deep Fraud Detection on Non-attributed Graph [61.636677596161235]
グラフニューラルネットワーク(GNN)は不正検出に強い性能を示している。
ラベル付きデータは大規模な産業問題、特に不正検出には不十分である。
よりラベルのないデータを活用するための新しいグラフ事前学習戦略を提案する。
論文 参考訳(メタデータ) (2021-10-04T03:42:09Z) - Structural Information Preserving for Graph-to-Text Generation [59.00642847499138]
グラフ・トゥ・テキスト生成の課題は、入力グラフの意味を保存した文を生成することである。
入力情報を保存するためのモデルとして,より豊かなトレーニング信号を活用することで,この問題に取り組むことを提案する。
グラフからテキストへの生成のための2つのベンチマークに関する実験は、最先端のベースラインに対するアプローチの有効性を示しています。
論文 参考訳(メタデータ) (2021-02-12T20:09:01Z) - Promoting Graph Awareness in Linearized Graph-to-Text Generation [72.83863719868364]
局所グラフ構造を符号化する線形化モデルの能力を検討する。
本研究は,モデルの暗黙のグラフ符号化の品質を高めるための解法である。
これらの消音足場は、低リソース設定における下流生成の大幅な改善につながることが分かりました。
論文 参考訳(メタデータ) (2020-12-31T18:17:57Z) - Learn to Propagate Reliably on Noisy Affinity Graphs [69.97364913330989]
近年の研究では,ラベル伝搬によるラベル付きデータの利用により,ラベル付けコストを大幅に削減できることが示されている。
ラベルを確実に伝播する方法、特に未知の外れ値を持つデータセットでは、依然として未解決の問題である。
本稿では,大規模実世界のデータ上でラベルを確実に伝播させる新しいフレームワークを提案する。
論文 参考訳(メタデータ) (2020-07-17T07:55:59Z) - 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。