論文の概要: Coefficient Decomposition for Spectral Graph Convolution

• arxiv url: http://arxiv.org/abs/2405.03296v1
• Date: Mon, 6 May 2024 09:17:23 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-07 14:15:51.007024
• Title: Coefficient Decomposition for Spectral Graph Convolution
• Title（参考訳）: スペクトルグラフ畳み込みのための係数分解
• Authors: Feng Huang, Wen Zhang,
• Abstract要約: スペクトルグラフ畳み込みネットワーク(英: Spectral graph convolutional Network, SGCN)は、グラフ信号フィルタに基づくグラフニューラルネットワーク(GNN)の一種である。 本研究では,この係数上のテンソル分解CPとタッカーによるCoDeSGC-CPと-Tuckerの新たなスペクトルグラフ畳み込み法を開発した。
• 参考スコア（独自算出の注目度）: 5.777396475319864
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Spectral graph convolutional network (SGCN) is a kind of graph neural networks (GNN) based on graph signal filters, and has shown compelling expressivity for modeling graph-structured data. Most SGCNs adopt polynomial filters and learn the coefficients from the training data. Many of them focus on which polynomial basis leads to optimal expressive power and models' architecture is little discussed. In this paper, we propose a general form in terms of spectral graph convolution, where the coefficients of polynomial basis are stored in a third-order tensor. Then, we show that the convolution block in existing SGCNs can be derived by performing a certain coefficient decomposition operation on the coefficient tensor. Based on the generalized view, we develop novel spectral graph convolutions CoDeSGC-CP and -Tucker by tensor decomposition CP and Tucker on the coefficient tensor. Extensive experimental results demonstrate that the proposed convolutions achieve favorable performance improvements.
• Abstract（参考訳）: スペクトルグラフ畳み込みネットワーク(英: Spectral graph convolutional Network, SGCN)は、グラフ信号フィルタに基づくグラフニューラルネットワークの一種であり、グラフ構造化データのモデリングに魅力的な表現性を示している。 ほとんどのSGCNは多項式フィルタを採用し、トレーニングデータから係数を学習する。 それらの多くは、どの多項式基底が最適な表現力をもたらすかに焦点を当てており、モデルのアーキテクチャはほとんど議論されていない。 本稿では,多項式基底の係数を3階テンソルに格納するスペクトルグラフ畳み込みの一般形式を提案する。 そこで,既存のSGCNの畳み込みブロックは,係数テンソル上で一定の係数分解演算を行うことで導出可能であることを示す。 一般化された見解に基づき、係数テンソル上のテンソル分解CPとタッカーによる新しいスペクトルグラフ畳み込みCoDeSGC-CPと-Tuckerを開発する。 大規模な実験結果から,提案した畳み込みは良好な性能向上を実現することが示された。

関連論文リスト

• Scalable Graph Compressed Convolutions [68.85227170390864]
  ユークリッド畳み込みのための入力グラフのキャリブレーションに置換を適用する微分可能手法を提案する。 グラフキャリブレーションに基づいて,階層型グラフ表現学習のための圧縮畳み込みネットワーク(CoCN)を提案する。
  論文  参考訳（メタデータ） (2024-07-26T03:14:13Z)
• Graph Edge Representation via Tensor Product Graph Convolutional Representation [23.021660625582854]
  本稿では,Product Graph Convolution (TPGC) と呼ばれるエッジ特徴を持つグラフ上の効率的な畳み込み演算子を定義する。 従来のグラフ畳み込み(GC)を補完するモデルを提供し、ノードとエッジの両方でより一般的なグラフデータ解析に対処する。 いくつかのグラフ学習タスクの実験結果から,提案したTPGCの有効性が示された。
  論文  参考訳（メタデータ） (2024-06-21T03:21:26Z)
• 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)
• Graphon Pooling for Reducing Dimensionality of Signals and Convolutional Operators on Graphs [131.53471236405628]
  グラフ空間における[0, 1]2の分割上のグラフとグラフ信号の誘導的グラフ表現を利用する3つの方法を提案する。 これらの低次元表現がグラフとグラフ信号の収束列を構成することを証明している。 我々は,層間次元減少比が大きい場合,グラノンプーリングは文献で提案した他の手法よりも有意に優れていることを観察した。
  論文  参考訳（メタデータ） (2022-12-15T22:11:34Z)
• Effects of Graph Convolutions in Deep Networks [8.937905773981702]
  多層ネットワークにおけるグラフ畳み込みの効果に関する厳密な理論的理解を示す。 単一のグラフ畳み込みは、多層ネットワークがデータを分類できる手段間の距離のレギュレーションを拡大することを示す。 ネットワーク層間の異なる組み合わせに配置されたグラフ畳み込みの性能に関する理論的および実証的な知見を提供する。
  論文  参考訳（メタデータ） (2022-04-20T08:24:43Z)
• Spectral Graph Convolutional Networks With Lifting-based Adaptive Graph Wavelets [81.63035727821145]
  スペクトルグラフ畳み込みネットワーク(SGCN)はグラフ表現学習において注目を集めている。 本稿では,適応グラフウェーブレットを用いたグラフ畳み込みを実装した新しいスペクトルグラフ畳み込みネットワークを提案する。
  論文  参考訳（メタデータ） (2021-08-03T17:57:53Z)
• 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)
• From Spectrum Wavelet to Vertex Propagation: Graph Convolutional Networks Based on Taylor Approximation [85.47548256308515]
  グラフ畳み込みネットワーク(GCN)は、最近、ラベル付きデータと高次元特徴を持つデータセットの基盤構造を抽出するために利用されている。 既存のGCNは、主にグラフウェーブレット-カーネルの1次チェビシェフ近似に依存している。
  論文  参考訳（メタデータ） (2020-07-01T20:07:13Z)
• Gaussian Processes on Graphs via Spectral Kernel Learning [9.260186030255081]
  グラフのノード上で定義された信号の予測のためのグラフスペクトルに基づくガウス過程を提案する。 合成実験におけるモデルの解釈可能性を示し、様々な基底真理スペクトルフィルタを精度良く回収できることを示す。
  論文  参考訳（メタデータ） (2020-06-12T17:51:22Z)
• Bridging the Gap Between Spectral and Spatial Domains in Graph Neural Networks [8.563354084119062]
  空間領域やスペクトル領域におけるグラフ畳み込み過程の等価性を示す。 提案フレームワークは、空間領域に適用しながら、独自の周波数プロファイルを持つスペクトル領域の新しい畳み込みを設計するために使用される。
  論文  参考訳（メタデータ） (2020-03-26T01:49:24Z)
• Graphon Pooling in Graph Neural Networks [169.09536309161314]
  グラフニューラルネットワーク(GNN)は、グラフによってモデル化された不規則構造上の信号の処理を含む様々なアプリケーションで効果的に使用されている。 本稿では,グラフのスペクトル特性を保存したグラフオンを用いて,GNNのプールとサンプリングを行う新しい手法を提案する。
  論文  参考訳（メタデータ） (2020-03-03T21:04:20Z)

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。