論文の概要: End-to-end Supervised Prediction of Arbitrary-size Graphs with
Partially-Masked Fused Gromov-Wasserstein Matching
- arxiv url: http://arxiv.org/abs/2402.12269v2
- Date: Fri, 23 Feb 2024 09:55:27 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-26 17:09:38.680219
- Title: End-to-end Supervised Prediction of Arbitrary-size Graphs with
Partially-Masked Fused Gromov-Wasserstein Matching
- Title（参考訳）: 部分加工したGromov-Wassersteinマッチングを用いた任意サイズグラフのエンドツーエンド予測
- Authors: Paul Krzakala, Junjie Yang, R\'emi Flamary, Florence d'Alch\'e-Buc,
Charlotte Laclau, Matthieu Labeau
- Abstract要約: 教師付きグラフ予測(SGP)のためのエンド・ツー・エンドの深層学習に基づく新しいアプローチを提案する。
我々は、初期最適輸送(OT)に基づく損失、部分マスド・フューズド・グロモフ・ワッサースタイン損失(PM-FGW)を導入する。
実験セクションでは、3つの異なるタスク、斬新で挑戦的な合成データセット(image2graph)と2つの実世界のタスク、 image2map と fingerprint2molecule – が、競合他社と比較して、このアプローチの効率性と汎用性を示している。
- 参考スコア（独自算出の注目度）: 15.180103921840187
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We present a novel end-to-end deep learning-based approach for Supervised
Graph Prediction (SGP). We introduce an original Optimal Transport (OT)-based
loss, the Partially-Masked Fused Gromov-Wasserstein loss (PM-FGW), that allows
to directly leverage graph representations such as adjacency and feature
matrices. PM-FGW exhibits all the desirable properties for SGP: it is node
permutation invariant, sub-differentiable and handles graphs of different sizes
by comparing their padded representations as well as their masking vectors.
Moreover, we present a flexible transformer-based architecture that easily
adapts to different types of input data. In the experimental section, three
different tasks, a novel and challenging synthetic dataset (image2graph) and
two real-world tasks, image2map and fingerprint2molecule - showcase the
efficiency and versatility of the approach compared to competitors.
- Abstract（参考訳）: 本稿では,SGP(Supervised Graph Prediction)のためのエンドツーエンドの深層学習手法を提案する。
本稿では, 従来の OT (Optimal Transport) に基づく損失, 部分マス付きファステッド・グロモフ・ワッサースタイン損失 (PM-FGW) を導入し, 隣接性や特徴行列などのグラフ表現を直接活用する。
PM-FGW はノード置換不変であり、部分微分可能であり、パッド付き表現とマスキングベクトルを比較して異なる大きさのグラフを扱う。
さらに,異なるタイプの入力データに容易に適応できるフレキシブルトランスフォーマーベースのアーキテクチャを提案する。
実験のセクションでは、新しい挑戦的な合成データセット(image2graph)と2つの実世界のタスク(image2mapとfinger2molecule)の3つの異なるタスクが、競合他社と比較してアプローチの効率と汎用性を示している。
関連論文リスト
- InstructG2I: Synthesizing Images from Multimodal Attributed Graphs [50.852150521561676]
InstructG2Iと呼ばれるグラフ文脈条件拡散モデルを提案する。
InstructG2Iはまずグラフ構造とマルチモーダル情報を利用して情報的隣人サンプリングを行う。
Graph-QFormerエンコーダは、グラフノードをグラフプロンプトの補助セットに適応的に符号化し、デノナイジングプロセスを導く。
論文 参考訳（メタデータ） (2024-10-09T17:56:15Z) - Transformers as Graph-to-Graph Models [13.630495199720423]
トランスフォーマーは本質的にグラフからグラフへのモデルであり、シーケンスは特別なケースに過ぎない、と我々は主張する。
我々のGraph-to-Graph Transformerアーキテクチャは,グラフエッジを注目重み計算に入力し,注目機能を備えたグラフエッジを予測することで,これを明確化する。
論文 参考訳（メタデータ） (2023-10-27T07:21:37Z) - Robust Graph Matching Using An Unbalanced Hierarchical Optimal Transport Framework [30.05543844763625]
本稿では,不均衡な階層的最適輸送フレームワークに基づく,新しい頑健なグラフマッチング手法を提案する。
グラフマッチングにおいて、クロスモーダルアライメントを利用するための最初の試みを行う。
様々なグラフマッチングタスクの実験は、最先端の手法と比較して、我々の手法の優越性と堅牢性を示している。
論文 参考訳（メタデータ） (2023-10-18T16:16:53Z) - Deep Prompt Tuning for Graph Transformers [55.2480439325792]
ファインチューニングはリソース集約型であり、大きなモデルのコピーを複数保存する必要がある。
ファインチューニングの代替として,ディープグラフプロンプトチューニングと呼ばれる新しい手法を提案する。
事前学習したパラメータを凍結し、追加したトークンのみを更新することにより、フリーパラメータの数を減らし、複数のモデルコピーを不要にする。
論文 参考訳（メタデータ） (2023-09-18T20:12:17Z) - GraphGLOW: Universal and Generalizable Structure Learning for Graph
Neural Networks [72.01829954658889]
本稿では,この新たな問題設定の数学的定義を紹介する。
一つのグラフ共有構造学習者と複数のグラフ固有GNNを協調する一般的なフレームワークを考案する。
十分に訓練された構造学習者は、微調整なしで、目に見えない対象グラフの適応的な構造を直接生成することができる。
論文 参考訳（メタデータ） (2023-06-20T03:33:22Z) - GRATIS: Deep Learning Graph Representation with Task-specific Topology
and Multi-dimensional Edge Features [27.84193444151138]
第1次汎用グラフ表現学習フレームワーク(GRATIS)を提案する。
任意の入力からタスク固有のトポロジーとタスク固有の多次元エッジ特徴を持つ強力なグラフ表現を生成することができる。
私たちのフレームワークは効率的で堅牢で柔軟性があり、異なるバックボーンとグラフニューラルネットワーク(GNN)を組み合わせたプラグイン・アンド・プレイモジュールです。
論文 参考訳（メタデータ） (2022-11-19T18:42:55Z) - Template based Graph Neural Network with Optimal Transport Distances [11.56532171513328]
現在のグラフニューラルネットワーク(GNN)アーキテクチャは、2つの重要なコンポーネントに依存している。
本稿では,学習可能なグラフテンプレートとの距離をグラフ表現のコアに配置する新しい視点を提案する。
この距離埋め込みは、Fused Gromov-Wasserstein (FGW) 距離という最適な輸送距離によって構築される。
論文 参考訳（メタデータ） (2022-05-31T12:24:01Z) - 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) - 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) - MathNet: Haar-Like Wavelet Multiresolution-Analysis for Graph
Representation and Learning [31.42901131602713]
本稿では,マルチレゾリューション・ハール型ウェーブレット(MathNet)を用いたグラフニューラルネットワークのためのフレームワークを提案する。
提案したMathNetは、特にデータセットにおいて、既存のGNNモデルよりも優れている。
論文 参考訳（メタデータ） (2020-07-22T05:00:59Z) - Wasserstein-based Graph Alignment [56.84964475441094]
我々は,より小さいグラフのノードと大きなグラフのノードをマッチングすることを目的とした,1対多のグラフアライメント問題に対する新しい定式化を行った。
提案手法は,各タスクに対する最先端のアルゴリズムに対して,大幅な改善をもたらすことを示す。
論文 参考訳（メタデータ） (2020-03-12T22:31:59Z)
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。