Fugu-MT 論文翻訳(概要): Any2Graph: Deep End-To-End Supervised Graph Prediction With An Optimal Transport Loss

論文の概要: Any2Graph: Deep End-To-End Supervised Graph Prediction With An Optimal Transport Loss

arxiv url: http://arxiv.org/abs/2402.12269v3
Date: Fri, 14 Jun 2024 10:06:23 GMT
ステータス: 処理完了
システム内更新日: 2024-06-17 19:02:29.833897
Title: Any2Graph: Deep End-To-End Supervised Graph Prediction With An Optimal Transport Loss
Title（参考訳）: Any2Graph: 最適なトランスポート損失を伴う、エンドツーエンドのグラフ予測
Authors: Paul Krzakala, Junjie Yang, Rémi Flamary, Florence d'Alché-Buc, Charlotte Laclau, Matthieu Labeau,
Abstract要約: 我々は,SGP(End-to-end Supervised Graph Prediction)のための汎用フレームワークであるAny2graphを提案する。このフレームワークは、新しい最適輸送損失である、部分的にマス化されたグロモフ=ワッサーシュタインの上に構築されている。
参考スコア（独自算出の注目度）: 26.80674580890277
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We propose Any2graph, a generic framework for end-to-end Supervised Graph Prediction (SGP) i.e. a deep learning model that predicts an entire graph for any kind of input. The framework is built on a novel Optimal Transport loss, the Partially-Masked Fused Gromov-Wasserstein, that exhibits all necessary properties (permutation invariance, differentiability and scalability) and is designed to handle any-sized graphs. Numerical experiments showcase the versatility of the approach that outperform existing competitors on a novel challenging synthetic dataset and a variety of real-world tasks such as map construction from satellite image (Sat2Graph) or molecule prediction from fingerprint (Fingerprint2Graph).
Abstract（参考訳）: 本稿では,SGP(End-to-end Supervised Graph Prediction)のための汎用フレームワークであるAny2graphを提案する。このフレームワークは、すべての必要な特性(置換不変性、微分可能性、拡張性)を示し、任意のサイズのグラフを扱うように設計された、新しい最適輸送損失である、部分的マスド・グロモフ=ワッサーシュタインの上に構築されている。数値実験では、新しい挑戦的な合成データセットや、衛星画像からのマップ構築(Sat2Graph)や指紋からの分子予測(Fingerprint2Graph)など、さまざまな現実世界のタスクにおいて、既存の競合他社より優れているアプローチが示されている。

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。