論文の概要: Convolutional Learning on Directed Acyclic Graphs

• arxiv url: http://arxiv.org/abs/2405.03056v1
• Date: Sun, 5 May 2024 21:30:18 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-07 15:24:13.320577
• Title: Convolutional Learning on Directed Acyclic Graphs
• Title（参考訳）: 有向非巡回グラフによる畳み込み学習
• Authors: Samuel Rey, Hamed Ajorlou, Gonzalo Mateos,
• Abstract要約: 我々は、有向非巡回グラフ(DAG)上で定義されたデータから学習するための新しい畳み込みアーキテクチャを開発する。 我々は,学習可能なDAGフィルタを統合した新しい畳み込みグラフニューラルネットワークを開発し,グラフトポロジによって誘導される部分順序を考慮に入れた。
• 参考スコア（独自算出の注目度）: 10.282099295800322
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We develop a novel convolutional architecture tailored for learning from data defined over directed acyclic graphs (DAGs). DAGs can be used to model causal relationships among variables, but their nilpotent adjacency matrices pose unique challenges towards developing DAG signal processing and machine learning tools. To address this limitation, we harness recent advances offering alternative definitions of causal shifts and convolutions for signals on DAGs. We develop a novel convolutional graph neural network that integrates learnable DAG filters to account for the partial ordering induced by the graph topology, thus providing valuable inductive bias to learn effective representations of DAG-supported data. We discuss the salient advantages and potential limitations of the proposed DAG convolutional network (DCN) and evaluate its performance on two learning tasks using synthetic data: network diffusion estimation and source identification. DCN compares favorably relative to several baselines, showcasing its promising potential.
• Abstract（参考訳）: 我々は、有向非巡回グラフ(DAG)上で定義されたデータから学習するための新しい畳み込みアーキテクチャを開発する。 DAGは変数間の因果関係のモデル化に使用することができるが、その弱弱な隣接行列はDAG信号処理や機械学習ツールの開発にユニークな課題をもたらす。 この制限に対処するために、DAG上の信号に対して因果シフトと畳み込みの代替定義を提供する最近の進歩を利用する。 我々は,学習可能なDAGフィルタを統合した新しい畳み込みグラフニューラルネットワークを開発し,グラフトポロジによって誘導される部分順序を考慮し,DAG支援データの効果的な表現を学習するために有用な帰納バイアスを与える。 提案するDAG畳み込みネットワーク(DCN)の有意義な利点と潜在的な限界について考察し,ネットワーク拡散推定と音源同定という2つの学習課題における性能評価を行った。 DCNはいくつかのベースラインと比較して好意的に比較し、有望な可能性を示している。

関連論文リスト

• DFA-GNN: Forward Learning of Graph Neural Networks by Direct Feedback Alignment [57.62885438406724]
  グラフニューラルネットワークは、様々なアプリケーションにまたがる強力なパフォーマンスで認識されている。 BPには、その生物学的妥当性に挑戦する制限があり、グラフベースのタスクのためのトレーニングニューラルネットワークの効率、スケーラビリティ、並列性に影響を与える。 半教師付き学習のケーススタディを用いて,GNNに適した新しい前方学習フレームワークであるDFA-GNNを提案する。
  論文  参考訳（メタデータ） (2024-06-04T07:24:51Z)
• Contextual Directed Acyclic Graphs [9.617105933121108]
  観測データから有向非巡回グラフ(DAG)の構造を推定することは、機械学習において重要な課題である。 本稿では、利用可能な「文脈的」な特徴に基づいて、グラフ構造が個人によって異なる別の設定について考察する。 我々は、コンテキスト特徴を重み付けされた隣接行列として表されるDAGにマッピングするニューラルネットワークを介して、このコンテキストDAG問題に取り組む。
  論文  参考訳（メタデータ） (2023-10-24T08:52:04Z)
• Structural transfer learning of non-Gaussian DAG [24.11895013147964]
  直接非巡回グラフ(DAG)は、収集されたノードの集合間の方向関係を表現するために広く用いられている。 対象研究において、DAG構造を再構築するために、異種データをまとめる方法については、未解決の問題が残る。 本稿では,DAGの構造的類似度尺度を新たに導入し,DAG学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-10-16T10:01:27Z)
• Label Deconvolution for Node Representation Learning on Large-scale Attributed Graphs against Learning Bias [75.44877675117749]
  本稿では,GNNの逆写像に対する新しい,スケーラブルな近似による学習バイアスを軽減するために,ラベルの効率的な正規化手法,すなわちラベルのデコンボリューション(LD)を提案する。 実験では、LDはOpen Graphデータセットのベンチマークで最先端のメソッドを大幅に上回っている。
  論文  参考訳（メタデータ） (2023-09-26T13:09:43Z)
• 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)
• Adaptive Gated Graph Convolutional Network for Explainable Diagnosis of Alzheimer's Disease using EEG Data [9.601125513491835]
  本稿では,適応ゲートグラフ畳み込みネットワーク(AGGCN)を提案する。 AGGCNは、畳み込みに基づくノード特徴増強と相関に基づくパワースペクトル密度類似度の尺度を組み合わせることで、グラフ構造を適応的に学習する。
  論文  参考訳（メタデータ） (2023-04-12T14:13:09Z)
• Directed Acyclic Graph Structure Learning from Dynamic Graphs [44.21230819336437]
  特徴(変数)の有向非巡回グラフ(DAG)の構造を推定することは、潜在データ生成プロセスを明らかにする上で重要な役割を果たす。 このようなユビキタスな動的グラフデータに基づくノード特徴生成機構の学習問題について検討する。
  論文  参考訳（メタデータ） (2022-11-30T14:22:01Z)
• Latent Graph Inference using Product Manifolds [0.0]
  遅延グラフ学習のための離散微分可能グラフモジュール(dDGM)を一般化する。 我々の新しいアプローチは、幅広いデータセットでテストされ、元のdDGMモデルよりも優れています。
  論文  参考訳（メタデータ） (2022-11-26T22:13:06Z)
• Learning Graph Structure from Convolutional Mixtures [119.45320143101381]
  本稿では、観測されたグラフと潜伏グラフのグラフ畳み込み関係を提案し、グラフ学習タスクをネットワーク逆(デコンボリューション)問題として定式化する。 固有分解に基づくスペクトル法の代わりに、近似勾配反復をアンロール・トランケートして、グラフデコンボリューションネットワーク(GDN)と呼ばれるパラメータ化ニューラルネットワークアーキテクチャに到達させる。 GDNは、教師付き方式でグラフの分布を学習し、損失関数を適応させることでリンク予測やエッジウェイト回帰タスクを実行し、本質的に帰納的である。
  論文  参考訳（メタデータ） (2022-05-19T14:08:15Z)
• BCD Nets: Scalable Variational Approaches for Bayesian Causal Discovery [97.79015388276483]
  構造方程式モデル(SEM)は、有向非巡回グラフ(DAG)を介して表される因果関係を推論する効果的な枠組みである。 近年の進歩により、観測データからDAGの有効最大点推定が可能となった。 線形ガウス SEM を特徴付ける DAG 上の分布を推定するための変分フレームワークである BCD Nets を提案する。
  論文  参考訳（メタデータ） (2021-12-06T03:35:21Z)
• 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)

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。