Fugu-MT 論文翻訳(概要): Elevating Spectral GNNs through Enhanced Band-pass Filter Approximation

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

Large-Scale Spectral Graph Neural Networks via Laplacian Sparsification: Technical Report [21.288230563135055]
スペクトルグラフニューラルネットワーク(GNN)の伝搬パターンを近似する新しいグラフスペクトルスカラー化法を提案する。提案手法では,入力ノード機能に線形レイヤを適用でき,エンドツーエンドのトレーニングや生の機能の処理が可能となる。
論文参考訳（メタデータ） (2025-01-08T15:36:19Z)
ERGNN: Spectral Graph Neural Network With Explicitly-Optimized Rational Graph Filters [24.74425379853727]
本稿では,有理フィルタを明示的に最適化した新しいスペクトルグラフニューラルネットワーク(ERGNN)を提案する。 ERGNNは、入力信号に数値フィルタと分母フィルタを順次適用する、ユニークな2段階のフレームワークを採用している。 ERGNNが最先端の手法よりも優れていることを検証する実験により、理性ベースのGNNをデプロイするための実用的なソリューションとして確立された。
論文参考訳（メタデータ） (2024-12-26T07:48:47Z)
Generalized Learning of Coefficients in Spectral Graph Convolutional Networks [5.5711773076846365]
スペクトルグラフ畳み込みネットワーク(GCN)は、グラフ機械学習アプリケーションで人気を集めている。 G-Arnoldi-GCNは、適切な関数が採用された場合、常に最先端の手法より優れている。
論文参考訳（メタデータ） (2024-09-07T12:53:44Z)
GrassNet: State Space Model Meets Graph Neural Network [57.62885438406724]
Graph State Space Network (GrassNet)は、任意のグラフスペクトルフィルタを設計するためのシンプルで効果的なスキームを提供する理論的なサポートを持つ、新しいグラフニューラルネットワークである。我々の知る限り、我々の研究はグラフGNNスペクトルフィルタの設計にSSMを使った最初のものである。 9つの公開ベンチマークでの大規模な実験により、GrassNetは現実世界のグラフモデリングタスクにおいて優れたパフォーマンスを達成することが明らかになった。
論文参考訳（メタデータ） (2024-08-16T07:33:58Z)
Simple Multigraph Convolution Networks [49.19906483875984]
既存のマルチグラフ畳み込み法では、複数のグラフ間のクロスビューの相互作用を無視するか、あるいは標準的なクロスビュー演算子によって非常に高い計算コストが生じる。本稿では,まずエッジレベルやサブグラフレベルのトポロジを含むマルチグラフから一貫したクロスビュートポロジを抽出し,その後,生のマルチグラフと一貫したトポロジに基づいて拡張を行う,シンプルなマルチ畳み込みネットワーク(SMGCN)を提案する。理論上、SMGCNは標準的なクロスビュー拡張ではなく、一貫した拡張のトポロジを利用して、信頼性の高いクロスビュー空間メッセージパッシングを行い、標準拡張の複雑さを効果的に低減する。
論文参考訳（メタデータ） (2024-03-08T03:27:58Z)
Geometric Graph Filters and Neural Networks: Limit Properties and Discriminability Trade-offs [122.06927400759021]
本稿では,グラフニューラルネットワーク (GNN) と多様体ニューラルネットワーク (MNN) の関係について検討する。これらのグラフ上の畳み込みフィルタとニューラルネットワークが連続多様体上の畳み込みフィルタとニューラルネットワークに収束することを示す。
論文参考訳（メタデータ） (2023-05-29T08:27:17Z)
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)
A Piece-wise Polynomial Filtering Approach for Graph Neural Networks [0.45298395481707365]
グラフニューラルネットワーク(GNN)は、ノードの特徴と入力グラフトポロジからの信号を利用して、ノード分類タスクのパフォーマンスを向上させる。これらのモデルは、連結ノードが異なるラベルを持つヘテロ親和性グラフ上では性能が良くない傾向にある。提案モデルでは,最先端モデルに対して最大5%の性能向上を実現し,従来のフィルタ方式よりも優れた性能を示す。
論文参考訳（メタデータ） (2021-12-07T05:16:53Z)
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)
Stacked Graph Filter [19.343260981528186]
グラフ信号処理の観点から,グラフ畳み込みネットワーク(GCN)について検討する。学習可能な解パラメータでグラフフィルタを積み重ねることで、高度に適応的で堅牢なグラフ分類モデルを構築することができる。
論文参考訳（メタデータ） (2020-11-22T11:20:14Z)
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。