Fugu-MT 論文翻訳(概要): Graph Convolutional Networks and Graph Attention Networks for Approximating Arguments Acceptability -- Technical Report

論文の概要: Graph Convolutional Networks and Graph Attention Networks for Approximating Arguments Acceptability -- Technical Report

arxiv url: http://arxiv.org/abs/2404.18672v1
Date: Mon, 29 Apr 2024 13:12:08 GMT
ステータス: 処理完了
システム内更新日: 2024-04-30 13:38:04.365506
Title: Graph Convolutional Networks and Graph Attention Networks for Approximating Arguments Acceptability -- Technical Report
Title（参考訳）: グラフ畳み込みネットワークとグラフ注意ネットワーク
Authors: Paul Cibier, Jean-Guy Mailly,
Abstract要約: 本稿では,GCN(Graph Convolutional Networks)の性能を,実行時と精度の両方で向上させる方法について述べる。次に、グラフ注意ネットワーク(GAT)を用いて、ネットワークのアーキテクチャを変更することにより、アプローチの効率をさらに向上できることを示す。
参考スコア（独自算出の注目度）: 0.27624021966289597
License: http://creativecommons.org/licenses/by-sa/4.0/
Abstract: Various approaches have been proposed for providing efficient computational approaches for abstract argumentation. Among them, neural networks have permitted to solve various decision problems, notably related to arguments (credulous or skeptical) acceptability. In this work, we push further this study in various ways. First, relying on the state-of-the-art approach AFGCN, we show how we can improve the performances of the Graph Convolutional Networks (GCNs) regarding both runtime and accuracy. Then, we show that it is possible to improve even more the efficiency of the approach by modifying the architecture of the network, using Graph Attention Networks (GATs) instead.
Abstract（参考訳）: 抽象的議論に効率的な計算手法を提供するための様々な手法が提案されている。このうち、ニューラルネットワークは様々な決定問題の解決を許可しており、特に議論(疑わしい、懐疑的な)の受け入れに関係している。本研究では,この研究を様々な方法で進める。まず、最先端のアプローチであるAFGCNを用いて、実行時と正確性の両方に関して、グラフ畳み込みネットワーク(GCN)のパフォーマンスを改善する方法を示す。次に、グラフ注意ネットワーク(GAT)を用いて、ネットワークのアーキテクチャを変更することにより、アプローチの効率をさらに向上できることを示す。

関連論文リスト

Graph Reasoning Networks [9.18586425686959]
Graph Reasoning Networks (GRNs) は、グラフ表現と学習したグラフ表現の長所と、微分可能満足度解法に基づく推論モジュールを組み合わせるための新しいアプローチである。実世界のデータセットの結果は、GNNに匹敵するパフォーマンスを示している。合成データセットの実験は、新しく提案された手法の可能性を示している。
論文参考訳（メタデータ） (2024-07-08T10:53:49Z)
GASE: Graph Attention Sampling with Edges Fusion for Solving Vehicle Routing Problems [6.084414764415137]
車両のルーティング問題を解決するためにEdges Fusionフレームワークを用いた適応型グラフ注意サンプリングを提案する。提案手法は,既存の手法を2.08%-6.23%上回り,より強力な一般化能力を示す。
論文参考訳（メタデータ） (2024-05-21T03:33:07Z)
Degree-based stratification of nodes in Graph Neural Networks [66.17149106033126]
グラフニューラルネットワーク(GNN)アーキテクチャを変更して,各グループのノードに対して,重み行列を個別に学習する。このシンプルな実装変更により、データセットとGNNメソッドのパフォーマンスが改善されているようだ。
論文参考訳（メタデータ） (2023-12-16T14:09:23Z)
Learning How to Propagate Messages in Graph Neural Networks [55.2083896686782]
本稿では,グラフニューラルネットワーク(GNN)におけるメッセージ伝搬戦略の学習問題について検討する。本稿では,GNNパラメータの最大類似度推定を支援するために,最適伝搬ステップを潜時変数として導入する。提案フレームワークは,GNNにおけるメッセージのパーソナライズおよび解釈可能な伝達戦略を効果的に学習することができる。
論文参考訳（メタデータ） (2023-10-01T15:09:59Z)
DEGREE: Decomposition Based Explanation For Graph Neural Networks [55.38873296761104]
我々は,GNN予測に対する忠実な説明を提供するためにDGREEを提案する。 GNNの情報生成と集約機構を分解することにより、DECREEは入力グラフの特定のコンポーネントのコントリビューションを最終的な予測に追跡することができる。また,従来の手法で見過ごされるグラフノード間の複雑な相互作用を明らかにするために,サブグラフレベルの解釈アルゴリズムを設計する。
論文参考訳（メタデータ） (2023-05-22T10:29:52Z)
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)
Graph-based Algorithm Unfolding for Energy-aware Power Allocation in Wireless Networks [27.600081147252155]
我々は,無線通信網におけるエネルギー効率を最大化する新しいグラフ要約フレームワークを開発した。無線ネットワークデータのモデルに望ましい特性である置換訓練について述べる。結果は、異なるネットワークトポロジにまたがる一般化可能性を示している。
論文参考訳（メタデータ） (2022-01-27T20:23:24Z)
Graph Neural Network based scheduling : Improved throughput under a generalized interference model [3.911413922612859]
本稿では,アドホックネットワークのためのグラフ畳み込みニューラルネットワーク(GCN)に基づくスケジューリングアルゴリズムを提案する。この研究で注目すべき特徴は、ニューラルネットワークをトレーニングするためにラベル付きデータセット(NP-hard to compute)を必要としないことである。
論文参考訳（メタデータ） (2021-10-31T10:36:11Z)
Graph Partner Neural Networks for Semi-Supervised Learning on Graphs [16.489177915147785]
グラフ畳み込みネットワーク(GCN)は、グラフ構造化データを処理するのに強力であり、ノード分類、リンク予測、グラフ分類などのタスクで最先端のパフォーマンスを達成した。グラフ畳み込み処理を繰り返した後にノードの表現が区別できない傾向にあるため、深いGCNが過度に滑らかな問題に悩まされることは避けられない。本稿では,非パラメータ化GCNとパラメータ共有スキームを組み合わせたグラフパートナーニューラルネットワーク(GPNN)を提案する。
論文参考訳（メタデータ） (2021-10-18T10:56:56Z)
Towards Deeper Graph Neural Networks [63.46470695525957]
グラフ畳み込みは近傍の集約を行い、最も重要なグラフ操作の1つである。いくつかの最近の研究で、この性能劣化は過度に滑らかな問題に起因している。本研究では,大きな受容領域からの情報を適応的に組み込むディープ適応グラフニューラルネットワーク(DAGNN)を提案する。
論文参考訳（メタデータ） (2020-07-18T01:11:14Z)
Cross-GCN: Enhancing Graph Convolutional Network with $k$-Order Feature Interactions [153.6357310444093]
Graph Convolutional Network(GCN)は,グラフデータの学習と推論を行う新興技術である。我々は、GCNの既存の設計がクロスフィーチャをモデリングし、クロスフィーチャが重要であるタスクやデータに対してGCNの効率を損なうことを論じている。我々は、任意の次交叉特徴を、特徴次元と順序サイズに線形に複雑にモデル化した、クロスフィーチャーグラフ畳み込みという新しい演算子を設計する。
論文参考訳（メタデータ） (2020-03-05T13:05:27Z)

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。