論文の概要: One-Shot Graph Representation Learning Using Hyperdimensional Computing
- arxiv url: http://arxiv.org/abs/2402.17073v1
- Date: Mon, 26 Feb 2024 23:15:01 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-28 18:22:09.091226
- Title: One-Shot Graph Representation Learning Using Hyperdimensional Computing
- Title(参考訳): 超次元計算を用いたワンショットグラフ表現学習
- Authors: Abhishek Dalvi, Vasant Honavar
- Abstract要約: グラフ上の半教師あり学習のための,新しい,単純で,高速で,効率的なアプローチを提案する。
グラフニューラルネットワークのファミリのノード表現のインジェクティビティ特性を利用した超次元グラフ学習(HDGL)アルゴリズムを提案する。
広く使われているベンチマークデータセットを用いた実験の結果、HDGLは計算コストのかかるトレーニングを必要とせず、最先端のディープラーニング手法と競合する予測性能を達成することが示された。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We present a novel, simple, fast, and efficient approach for semi-supervised
learning on graphs. The proposed approach takes advantage of hyper-dimensional
computing which encodes data samples using random projections into a high
dimensional space (HD space for short). Specifically, we propose a
Hyper-dimensional Graph Learning (HDGL) algorithm that leverages the
injectivity property of the node representations of a family of graph neural
networks. HDGL maps node features to the HD space and then uses HD operators
such as bundling and binding to aggregate information from the local
neighborhood of each node. Results of experiments with widely used benchmark
data sets show that HDGL achieves predictive performance that is competitive
with the state-of-the-art deep learning methods, without the need for
computationally expensive training.
- Abstract(参考訳): グラフ上の半教師あり学習のための,新しい,単純で,高速で,効率的なアプローチを提案する。
提案手法は,ランダム射影を用いたデータサンプルを高次元空間(略してhd空間)に符号化する超次元計算を利用する。
具体的には,グラフニューラルネットワーク群におけるノード表現のインジェクティビティ特性を活用した超次元グラフ学習(hdgl)アルゴリズムを提案する。
hdglはノードの機能をhd空間にマッピングし、バンドルやバインディングなどのhdオペレータを使用して各ノードのローカル近傍から情報を集約する。
広く使われているベンチマークデータセットを用いた実験の結果、HDGLは計算コストのかかるトレーニングを必要とせず、最先端のディープラーニング手法と競合する予測性能を達成することが示された。
関連論文リスト
- Efficient Heterogeneous Graph Learning via Random Projection [65.65132884606072]
不均一グラフニューラルネットワーク(HGNN)は、異種グラフを深層学習するための強力なツールである。
最近のプリ計算ベースのHGNNは、一時間メッセージパッシングを使用して不均一グラフを正規形テンソルに変換する。
我々はRandom Projection Heterogeneous Graph Neural Network (RpHGNN) というハイブリッド計算前HGNNを提案する。
論文 参考訳(メタデータ) (2023-10-23T01:25:44Z) - Scalable Graph Convolutional Network Training on Distributed-Memory
Systems [5.169989177779801]
グラフ畳み込みネットワーク(GCN)はグラフの深層学習に広く利用されている。
グラフ上の畳み込み操作は不規則なメモリアクセスパターンを誘導するので、GCNトレーニングのためのメモリと通信効率の並列アルゴリズムを設計することはユニークな課題である。
本稿では,大規模プロセッサ数にスケールする並列トレーニングアルゴリズムを提案する。
論文 参考訳(メタデータ) (2022-12-09T17:51:13Z) - GraphHD: Efficient graph classification using hyperdimensional computing [58.720142291102135]
本稿では,HDCを用いたグラフ分類のベースライン手法を提案する。
実世界のグラフ分類問題におけるGraphHDの評価を行った。
その結果,最新のグラフニューラルネットワーク (GNN) と比較すると,提案手法の精度は同等であることがわかった。
論文 参考訳(メタデータ) (2022-05-16T17:32:58Z) - Optimal Propagation for Graph Neural Networks [51.08426265813481]
最適グラフ構造を学習するための二段階最適化手法を提案する。
また、時間的複雑さをさらに軽減するために、低ランク近似モデルについても検討する。
論文 参考訳(メタデータ) (2022-05-06T03:37:00Z) - BGL: GPU-Efficient GNN Training by Optimizing Graph Data I/O and
Preprocessing [0.0]
グラフニューラルネットワーク(GNN)は、ディープニューラルネットワーク(DNN)の成功を非ユークリッドグラフデータに拡張した。
既存のシステムは、数十億のノードとエッジを持つ巨大なグラフをGPUでトレーニングする非効率である。
本稿では,ボトルネックに対処するための分散GNN学習システムであるBGLを提案する。
論文 参考訳(メタデータ) (2021-12-16T00:37:37Z) - Node2Seq: Towards Trainable Convolutions in Graph Neural Networks [59.378148590027735]
今回提案するグラフネットワーク層であるNode2Seqは,隣接ノードの重みを明示的に調整可能なノード埋め込みを学習する。
対象ノードに対して,当手法は注意メカニズムを介して隣接ノードをソートし,さらに1D畳み込みニューラルネットワーク(CNN)を用いて情報集約のための明示的な重み付けを行う。
また, 特徴学習のための非局所的情報を, 注意スコアに基づいて適応的に組み込むことを提案する。
論文 参考訳(メタデータ) (2021-01-06T03:05:37Z) - Graph Networks with Spectral Message Passing [1.0742675209112622]
本稿では,空間領域とスペクトル領域の両方にメッセージパッシングを適用するSpectral Graph Networkを紹介する。
その結果,spectrum gnは効率のよいトレーニングを促進し,より多くのパラメータを持つにもかかわらず,少ないトレーニングイテレーションで高いパフォーマンスを達成できることがわかった。
論文 参考訳(メタデータ) (2020-12-31T21:33:17Z) - Mix Dimension in Poincar\'{e} Geometry for 3D Skeleton-based Action
Recognition [57.98278794950759]
グラフ畳み込みネットワーク(GCN)はすでに、不規則なデータをモデル化する強力な能力を実証している。
本稿では,ポアンカー幾何学を用いて定義した空間時空間GCNアーキテクチャを提案する。
提案手法を,現在最大規模の2つの3次元データセット上で評価する。
論文 参考訳(メタデータ) (2020-07-30T18:23:18Z) - Isometric Graph Neural Networks [5.306334746787569]
我々はIsometric Graph Neural Networks (IGNN) の学習手法を提案する。
IGNNは、任意のGNNアルゴリズムがノード間の距離を反映した表現を生成するために、入力表現空間と損失関数を変更する必要がある。
我々はケンドールのタウ(KT)の400%まで、一貫した実質的な改善を観察する。
論文 参考訳(メタデータ) (2020-06-16T22:51:13Z) - Block-Approximated Exponential Random Graphs [77.4792558024487]
指数乱グラフ(ERG)の分野における重要な課題は、大きなグラフ上の非自明なERGの適合である。
本稿では,非自明なERGに対する近似フレームワークを提案する。
我々の手法は、数百万のノードからなるスパースグラフにスケーラブルである。
論文 参考訳(メタデータ) (2020-02-14T11:42:16Z)
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。