論文の概要: A Survey of Geometric Graph Neural Networks: Data Structures, Models and Applications

• arxiv url: http://arxiv.org/abs/2403.00485v1
• Date: Fri, 1 Mar 2024 12:13:04 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-05 17:27:00.667104
• Title: A Survey of Geometric Graph Neural Networks: Data Structures, Models and Applications
• Title（参考訳）: 幾何学的グラフニューラルネットワークに関するサーベイ:データ構造,モデル,応用
• Authors: Jiaqi Han, Jiacheng Cen, Liming Wu, Zongzhao Li, Xiangzhe Kong, Rui Jiao, Ziyang Yu, Tingyang Xu, Fandi Wu, Zihe Wang, Hongteng Xu, Zhewei Wei, Yang Liu, Yu Rong, Wenbing Huang
• Abstract要約: 本稿では、幾何学的GNNに関するデータ構造、モデル、および応用について調査する。 幾何学的メッセージパッシングの観点から既存のモデルの統一的なビューを提供する。 また、方法論開発と実験評価の後の研究を促進するために、アプリケーションと関連するデータセットを要約する。
• 参考スコア（独自算出の注目度）: 67.33002207179923
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Geometric graph is a special kind of graph with geometric features, which is vital to model many scientific problems. Unlike generic graphs, geometric graphs often exhibit physical symmetries of translations, rotations, and reflections, making them ineffectively processed by current Graph Neural Networks (GNNs). To tackle this issue, researchers proposed a variety of Geometric Graph Neural Networks equipped with invariant/equivariant properties to better characterize the geometry and topology of geometric graphs. Given the current progress in this field, it is imperative to conduct a comprehensive survey of data structures, models, and applications related to geometric GNNs. In this paper, based on the necessary but concise mathematical preliminaries, we provide a unified view of existing models from the geometric message passing perspective. Additionally, we summarize the applications as well as the related datasets to facilitate later research for methodology development and experimental evaluation. We also discuss the challenges and future potential directions of Geometric GNNs at the end of this survey.
• Abstract（参考訳）: 幾何学グラフは幾何学的特徴を持つ特殊なグラフであり、多くの科学的問題をモデル化するのに不可欠である。 ジェネリックグラフとは異なり、幾何グラフはしばしば翻訳、回転、反射の物理的対称性を示し、現在のグラフニューラルネットワーク(gnn)によって効果的に処理される。 この問題に対処するために、幾何グラフの幾何学的トポロジをより正確に特徴付けるために、不変・同変特性を備えた幾何グラフニューラルネットワークを提案した。 この分野での現在の進歩を考えると、幾何学的GNNに関連するデータ構造、モデル、アプリケーションに関する包括的な調査を行うことが不可欠である。 本稿では,必要だが簡潔な数学的前提に基づいて,幾何学的メッセージパッシングの観点から既存モデルの統一的なビューを提供する。 さらに,方法論開発と実験評価の今後の研究を促進するために,アプリケーションと関連するデータセットを要約する。 また,本調査の終了時にGeometric GNNの課題と今後の方向性についても論じる。

関連論文リスト

• Geometry Distributions [51.4061133324376]
  本稿では,分布として幾何学をモデル化する新しい幾何学的データ表現を提案する。 提案手法では,新しいネットワークアーキテクチャを用いた拡散モデルを用いて表面点分布の学習を行う。 本研究では,多種多様な対象に対して質的かつ定量的に表現を評価し,その有効性を実証した。
  論文  参考訳（メタデータ） (2024-11-25T04:06:48Z)
• A Hitchhiker's Guide to Geometric GNNs for 3D Atomic Systems [87.30652640973317]
  原子系の計算モデリングの最近の進歩は、これらを3次元ユークリッド空間のノードとして埋め込まれた原子を含む幾何学的グラフとして表現している。 Geometric Graph Neural Networksは、タンパク質構造予測から分子シミュレーション、物質生成まで、幅広い応用を駆動する機械学習アーキテクチャとして好まれている。 本稿では,3次元原子システムのための幾何学的GNNの分野について,包括的で自己完結した概要を述べる。
  論文  参考訳（メタデータ） (2023-12-12T18:44:19Z)
• Modeling Graphs Beyond Hyperbolic: Graph Neural Networks in Symmetric Positive Definite Matrices [8.805129821507046]
  実世界のグラフデータは、幾何的および位相的特徴の複数のタイプによって特徴づけられる。 複雑なグラフを堅牢に処理できるグラフニューラルネットワークを構築する。
  論文  参考訳（メタデータ） (2023-06-24T21:50:53Z)
• Torsion Graph Neural Networks [21.965704710488232]
  解析的トーション強化グラフニューラルネットワークモデルであるTorGNNを提案する。 われわれのTorGNNでは,各エッジに対して対応する局所単体複合体を同定し,解析トーションを算出する。 我々のTorGNNは両方のタスクにおいて優れた性能を達成でき、様々な最先端モデルより優れていることが判明した。
  論文  参考訳（メタデータ） (2023-06-23T15:02:23Z)
• Geometric Knowledge Distillation: Topology Compression for Graph Neural Networks [80.8446673089281]
  グラフトポロジ情報をグラフニューラルネットワーク(GNN)に符号化することを目的とした知識伝達の新しいパラダイムについて検討する。 本稿では,GNNのアーキテクチャに関する基礎となる多様体の幾何学的性質をカプセル化するためのニューラルヒートカーネル(NHK)を提案する。 基本的な原理的解法は、NHKを幾何学的知識蒸留(Geometric Knowledge Distillation)と呼ばれる教師モデルと学生モデルに合わせることで導かれる。
  論文  参考訳（メタデータ） (2022-10-24T08:01:58Z)
• Generalized Permutants and Graph GENEOs [0.0]
  群同変非拡大作用素(genEOs)の理論を、頂点や辺に重み付けされたすべてのグラフの空間に作用させるように適応する。 これは、GenEOの一般的な概念がグラフを変換し、それらの構造に関する情報を与えるのにどのように使用できるかを示すことでなされる。 実験的なセクションが論文を締めくくり、グラフから情報を取り出すための演算子の使用の可能性を示します。
  論文  参考訳（メタデータ） (2022-06-29T17:56:37Z)
• Geometrically Equivariant Graph Neural Networks: A Survey [44.73146997637709]
  GNNにおけるメッセージパッシングとアグリゲーションの表現方法に関して,既存の手法を3つのグループに分けて分析・分類する。 また、ベンチマークと関連するデータセットを要約し、方法論開発と実験評価のための後の研究を促進する。
  論文  参考訳（メタデータ） (2022-02-15T07:12:21Z)
• Graph Signal Processing for Geometric Data and Beyond: Theory and Applications [55.81966207837108]
  グラフ信号処理(GSP)は、不規則な領域に存在する処理信号を可能にする。 GSP法は、幾何データとグラフの接続をブリッジすることで、統一的に幾何データに対する手法である。 最近開発されたグラフニューラルネットワーク(GNN)は、GSPの観点からこれらのネットワークの動作を解釈している。
  論文  参考訳（メタデータ） (2020-08-05T03:20:16Z)

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。