論文の概要: Rethinking the Graph Polynomial Filter via Positive and Negative Coupling Analysis

• arxiv url: http://arxiv.org/abs/2404.10353v1
• Date: Tue, 16 Apr 2024 07:41:29 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-17 17:43:04.042631
• Title: Rethinking the Graph Polynomial Filter via Positive and Negative Coupling Analysis
• Title（参考訳）: 正負結合解析によるグラフ多項式フィルタの再検討
• Authors: Haodong Wen, Bodong Du, Ruixun Liu, Deyu Meng, Xiangyong Cao,
• Abstract要約: 既存のスペクトルグラフニューラルネットワーク(GNN)は主にフィルタ設計における特性を強調している。 グラフ情報をベースに組み込むことで、基礎の理解を深め、より簡易なフィルタ設計を検証することができると論じる。 ノード分類のためのベンチマークデータセットをベースとした,GNN(GSCNet)を提案する。
• 参考スコア（独自算出の注目度）: 37.81194185337512
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recently, the optimization of polynomial filters within Spectral Graph Neural Networks (GNNs) has emerged as a prominent research focus. Existing spectral GNNs mainly emphasize polynomial properties in filter design, introducing computational overhead and neglecting the integration of crucial graph structure information. We argue that incorporating graph information into basis construction can enhance understanding of polynomial basis, and further facilitate simplified polynomial filter design. Motivated by this, we first propose a Positive and Negative Coupling Analysis (PNCA) framework, where the concepts of positive and negative activation are defined and their respective and mixed effects are analysed. Then, we explore PNCA from the message propagation perspective, revealing the subtle information hidden in the activation process. Subsequently, PNCA is used to analyze the mainstream polynomial filters, and a novel simple basis that decouples the positive and negative activation and fully utilizes graph structure information is designed. Finally, a simple GNN (called GSCNet) is proposed based on the new basis. Experimental results on the benchmark datasets for node classification verify that our GSCNet obtains better or comparable results compared with existing state-of-the-art GNNs while demanding relatively less computational time.
• Abstract（参考訳）: 近年,スペクトルグラフニューラルネットワーク(GNN)における多項式フィルタの最適化が注目されている。 既存のスペクトルGNNは、主にフィルタ設計における多項式特性を強調し、計算オーバーヘッドを導入し、重要なグラフ構造情報の統合を無視している。 グラフ情報をベース構造に組み込むことで、多項式基底の理解を深め、さらに単純化された多項式フィルタの設計を容易にすることができると論じる。 そこで我々はまず,肯定的・否定的結合分析(PNCA)フレームワークを提案する。 次に、メッセージ伝搬の観点からPNCAを探索し、アクティベーションプロセスに隠された微妙な情報を明らかにする。 その後、PNCAを用いてメインストリーム多項式フィルタを解析し、正と負の活性化を分離し、グラフ構造情報を完全に活用する新しい単純な基盤を設計する。 最後に、GNN(GSCNetと呼ばれる)が新しいベースに基づいて提案される。 ノード分類のためのベンチマークデータセットの実験結果から、GSCNetは既存の最先端のGNNと比較して、比較的少ない計算時間で良い結果が得られることを確認した。

関連論文リスト

• Reducing Oversmoothing through Informed Weight Initialization in Graph Neural Networks [16.745718346575202]
  本稿では,ノードやグラフの分類タスクにおいて,過度なスムース化を抑える新しいスキーム(G-Init)を提案する。 以上の結果から,新しい手法(G-Init)は深部GNNの過剰なスムース化を低減し,その有効利用を促進することが示唆された。
  論文  参考訳（メタデータ） (2024-10-31T11:21:20Z)
• Infinite-Horizon Graph Filters: Leveraging Power Series to Enhance Sparse Information Aggregation [21.24445817935125]
  本稿では,受動場を増大させるため,電力系列グラフフィルタを用いてノード分類を強化する新しいグラフパワーフィルタニューラルネットワークを提案する。 我々のGPFNは、任意のパワーシリーズを統合し、長距離依存関係をキャプチャできる一般的なフレームワークです。
  論文  参考訳（メタデータ） (2024-01-18T12:45:46Z)
• Node-oriented Spectral Filtering for Graph Neural Networks [38.0315325181726]
  グラフニューラルネットワーク(GNN)は、ホモ親和性グラフデータに顕著な性能を示す。 一般に、グローバルな視点からグラフ上の普遍的なスペクトルフィルタを学習することは、局所的なパターンの変化に適応する上で非常に困難である。 グラフニューラルネットワーク(NFGNN)のためのノード指向スペクトルフィルタリングを提案する。
  論文  参考訳（メタデータ） (2022-12-07T14:15:28Z)
• Relation Embedding based Graph Neural Networks for Handling Heterogeneous Graph [58.99478502486377]
  我々は、同種GNNが不均一グラフを扱うのに十分な能力を持つように、シンプルで効率的なフレームワークを提案する。 具体的には、エッジ型関係と自己ループ接続の重要性を埋め込むために、関係1つのパラメータのみを使用する関係埋め込みベースのグラフニューラルネットワーク(RE-GNN)を提案する。
  論文  参考訳（メタデータ） (2022-09-23T05:24:18Z)
• Learnable Filters for Geometric Scattering Modules [64.03877398967282]
  最近提案された幾何散乱変換の緩和に基づく新しいグラフニューラルネットワーク(GNN)モジュールを提案する。 我々の学習可能な幾何散乱(LEGS)モジュールは、ウェーブレットの適応的なチューニングを可能にし、学習された表現に帯域通過の特徴が現れるように促す。
  論文  参考訳（メタデータ） (2022-08-15T22:30:07Z)
• Overcoming Oversmoothness in Graph Convolutional Networks via Hybrid Scattering Networks [11.857894213975644]
  本稿では,従来のGCNフィルタと幾何散乱変換を用いて定義された帯域通過フィルタを組み合わせたハイブリッドグラフニューラルネットワーク(GNN)フレームワークを提案する。 理論的には, グラフからの構造情報を活用するために散乱フィルタの相補的な利点が確立され, 実験では様々な学習課題における手法の利点が示された。
  論文  参考訳（メタデータ） (2022-01-22T00:47:41Z)
• Data-Driven Learning of Geometric Scattering Networks [74.3283600072357]
  最近提案された幾何散乱変換の緩和に基づく新しいグラフニューラルネットワーク(GNN)モジュールを提案する。 我々の学習可能な幾何散乱(LEGS)モジュールは、ウェーブレットの適応的なチューニングを可能にし、学習された表現に帯域通過の特徴が現れるように促す。
  論文  参考訳（メタデータ） (2020-10-06T01:20:27Z)
• Spectral Graph Attention Network with Fast Eigen-approximation [103.93113062682633]
  スペクトルグラフ注意ネットワーク(SpGAT)は、重み付きフィルタとグラフウェーブレットベースに関する異なる周波数成分の表現を学習する。 固有分解による計算コストを削減するために,高速近似変種SpGAT-Chebyを提案する。 半教師付きノード分類タスクにおけるSpGATとSpGAT-Chebyの性能を徹底的に評価する。
  論文  参考訳（メタデータ） (2020-03-16T21:49:34Z)
• LightGCN: Simplifying and Powering Graph Convolution Network for Recommendation [100.76229017056181]
  Graph Convolution Network (GCN)は、協調フィルタリングのための新しい最先端技術となった。 本研究は,GCNの設計を簡略化し,より簡潔かつ適切なレコメンデーションを実現することを目的としている。 我々は,光GCNと呼ばれる新しいモデルを提案する。
  論文  参考訳（メタデータ） (2020-02-06T06:53:42Z)

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。