論文の概要: Elevating Spectral GNNs through Enhanced Band-pass Filter Approximation
- arxiv url: http://arxiv.org/abs/2404.15354v1
- Date: Mon, 15 Apr 2024 11:35:32 GMT
- ステータス: 処理完了
- システム内更新日: 2024-04-28 10:46:58.079346
- Title: Elevating Spectral GNNs through Enhanced Band-pass Filter Approximation
- Title(参考訳): 帯域通過フィルタ近似によるスペクトルGNNの高次化
- Authors: Guoming Li, Jian Yang, Shangsong Liang, Dongsheng Luo,
- Abstract要約: まず,バンドパスグラフフィルタの近似性が向上したポリGNNが,グラフ学習タスクにおいて優れた性能を発揮することを示す。
この知見は、既存のポリGNNの重要な問題、すなわち、これらのポリGNNはバンドパスグラフフィルタの近似において自明な性能を達成する。
この問題に対処するために,バンドパスグラフフィルタの近似における先行的な性能を実現する,TrigoNetという新しいポリGNNを提案する。
- 参考スコア(独自算出の注目度): 26.79625547648669
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Spectral Graph Neural Networks (GNNs) have attracted great attention due to their capacity to capture patterns in the frequency domains with essential graph filters. Polynomial-based ones (namely poly-GNNs), which approximately construct graph filters with conventional or rational polynomials, are routinely adopted in practice for their substantial performances on graph learning tasks. However, previous poly-GNNs aim at achieving overall lower approximation error on different types of filters, e.g., low-pass and high-pass, but ignore a key question: \textit{which type of filter warrants greater attention for poly-GNNs?} In this paper, we first show that poly-GNN with a better approximation for band-pass graph filters performs better on graph learning tasks. This insight further sheds light on critical issues of existing poly-GNNs, i.e., those poly-GNNs achieve trivial performance in approximating band-pass graph filters, hindering the great potential of poly-GNNs. To tackle the issues, we propose a novel poly-GNN named TrigoNet. TrigoNet constructs different graph filters with novel trigonometric polynomial, and achieves leading performance in approximating band-pass graph filters against other polynomials. By applying Taylor expansion and deserting nonlinearity, TrigoNet achieves noticeable efficiency among baselines. Extensive experiments show the advantages of TrigoNet in both accuracy performances and efficiency.
- Abstract(参考訳): スペクトルグラフニューラルネットワーク(GNN)は,本質的なグラフフィルタを用いて周波数領域のパターンをキャプチャする能力によって注目されている。
従来の多項式や有理多項式を含むグラフフィルタを概ね構成するポリ多項式ベース(ポリGNN)は、グラフ学習タスクにおける実質的なパフォーマンスのために、実際に日常的に採用されている。
しかし、従来のポリGNNは、様々な種類のフィルタ(例えば、低パス、ハイパス)で全体的な低い近似誤差を達成することを目的としていたが、重要な疑問を無視している。
そこで,本論文ではまず,帯域通過グラフフィルタの近似性を向上したポリGNNが,グラフ学習タスクにおいて優れた性能を発揮することを示す。
この知見は、既存のポリGNNの重要な問題、すなわち、これらのポリGNNは、バンドパスグラフフィルタの近似において自明な性能を達成し、ポリGNNの大きな可能性を妨げている。
この問題に対処するため,TrigoNetという新しいポリGNNを提案する。
TrigoNetは、新しい三角関数多項式を持つ異なるグラフフィルタを構築し、他の多項式に対する帯域通過グラフフィルタの近似において先行的な性能を達成する。
Taylorの拡張と非線型性の適用により、TrigoNetはベースライン間で顕著な効率を達成する。
大規模な実験は、精度と効率の両面でTrigoNetの利点を示している。
関連論文リスト
- 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) - Automated Polynomial Filter Learning for Graph Neural Networks [9.120531252536617]
グラフニューラルネットワーク(GNN)の設計の指針として多項グラフフィルタが広く用いられている。
近年, グラフフィルタの適応学習により, ホモ親和性グラフとヘテロ親和性グラフの両方において, グラフ信号のモデル化に有望な性能が示された。
本稿では,多種多様なグラフ信号に適応可能な優れたフィルタを効率的に学習する,新規で汎用的なグラフフィルタ学習フレームワークであるAuto-Polynomialを提案する。
論文 参考訳(メタデータ) (2023-07-16T06:14:12Z) - Spectral Heterogeneous Graph Convolutions via Positive Noncommutative Polynomials [34.74726720818622]
正のスペクトル不均一グラフ畳み込みネットワーク(PSHGCN)を提案する。
PSHGCNは、有効なヘテロジニアスグラフフィルタを学習するための、単純かつ効果的な方法を提供する。
PSHGCNは目覚ましいスケーラビリティを示し、数百万のノードとエッジからなる大規模な実世界のグラフを効率的に処理する。
論文 参考訳(メタデータ) (2023-05-31T14:09:42Z) - Specformer: Spectral Graph Neural Networks Meet Transformers [51.644312964537356]
スペクトルグラフニューラルネットワーク(GNN)は、スペクトル領域グラフ畳み込みを通じてグラフ表現を学習する。
本稿では、全ての固有値の集合を効果的に符号化し、スペクトル領域で自己アテンションを行うSpecformerを紹介する。
複数のSpecformerレイヤを積み重ねることで、強力なスペクトルGNNを構築することができる。
論文 参考訳(メタデータ) (2023-03-02T07:36:23Z) - Transferability Properties of Graph Neural Networks [125.71771240180654]
グラフニューラルネットワーク(GNN)は、中規模グラフでサポートされているデータから表現を学ぶのに成功している。
適度な大きさのグラフ上でGNNを訓練し、それらを大規模グラフに転送する問題について検討する。
その結果, (i) グラフサイズに応じて転送誤差が減少し, (ii) グラフフィルタは非線型性の散乱挙動によってGNNにおいて緩和されるような転送可能性-識別可能性トレードオフを有することがわかった。
論文 参考訳(メタデータ) (2021-12-09T00:08:09Z) - A Robust Alternative for Graph Convolutional Neural Networks via Graph
Neighborhood Filters [84.20468404544047]
グラフシフト演算子のパワーを$k$ホップ近傍行列に置き換えるグラフフィルタ群(NGF)を提案する。
NGFは、従来のGFの数値問題を緩和し、より深いGCNNの設計を可能にし、グラフのトポロジにおけるエラーに対する堅牢性を高めるのに役立つ。
論文 参考訳(メタデータ) (2021-10-02T17:05:27Z) - Beyond Low-pass Filtering: Graph Convolutional Networks with Automatic
Filtering [61.315598419655224]
グラフ信号の全スペクトルをキャプチャする自動グラフ畳み込みネットワーク(AutoGCN)を提案する。
グラフスペクトル理論に基づいているが、私たちのAutoGCNも空間に局在しており、空間形式を持っている。
論文 参考訳(メタデータ) (2021-07-10T04:11:25Z) - Graph Neural Networks with Adaptive Frequency Response Filter [55.626174910206046]
適応周波数応答フィルタを用いたグラフニューラルネットワークフレームワークAdaGNNを開発した。
提案手法の有効性を,様々なベンチマークデータセット上で実証的に検証した。
論文 参考訳(メタデータ) (2021-04-26T19:31:21Z) - Unrolling of Deep Graph Total Variation for Image Denoising [106.93258903150702]
本稿では,従来のグラフ信号フィルタリングと深い特徴学習を併用して,競合するハイブリッド設計を提案する。
解釈可能な低パスグラフフィルタを用い、最先端のDL復調方式DnCNNよりも80%少ないネットワークパラメータを用いる。
論文 参考訳(メタデータ) (2020-10-21T20:04:22Z)
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。