Fugu-MT 論文翻訳(概要): GraphSL: An Open-Source Library for Graph Source Localization Approaches and Benchmark Datasets

論文の概要: GraphSL: An Open-Source Library for Graph Source Localization Approaches and Benchmark Datasets

arxiv url: http://arxiv.org/abs/2405.03724v2
Date: Sun, 28 Jul 2024 17:34:22 GMT
ステータス: 処理完了
システム内更新日: 2024-07-30 23:18:12.342556
Title: GraphSL: An Open-Source Library for Graph Source Localization Approaches and Benchmark Datasets
Title（参考訳）: GraphSL: グラフソースのローカライゼーションアプローチとベンチマークデータセットのためのオープンソースライブラリ
Authors: Junxiang Wang, Liang Zhao,
Abstract要約: GraphSLは、グラフソースのローカライゼーション問題を研究するためのライブラリである。情報拡散をシミュレートする様々なグラフ拡散モデルの探索を容易にする。 GraphSLのソースコードはGithub Repositoryで公開されている。
参考スコア（独自算出の注目度）: 8.267241342575526
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We introduce GraphSL, a new library for studying the graph source localization problem. graph diffusion and graph source localization are inverse problems in nature: graph diffusion predicts information diffusions from information sources, while graph source localization predicts information sources from information diffusions. GraphSL facilitates the exploration of various graph diffusion models for simulating information diffusions and enables the evaluation of cutting-edge source localization approaches on established benchmark datasets. The source code of GraphSL is made available at Github Repository (https://github.com/xianggebenben/GraphSL). Bug reports and feedback can be directed to the Github issues page (https://github.com/xianggebenben/GraphSL/issues).
Abstract（参考訳）: グラフソースのローカライゼーション問題を研究するための新しいライブラリであるGraphSLを紹介する。グラフ拡散は情報ソースからの情報拡散を予測するが、グラフ拡散は情報拡散から情報ソースを予測する。 GraphSLは、情報拡散をシミュレートするための様々なグラフ拡散モデルを探索し、確立されたベンチマークデータセットに対する最先端のソースローカライゼーションアプローチの評価を可能にする。 GraphSLのソースコードはGithub Repository(https://github.com/xianggebenben/GraphSL)で公開されている。バグレポートとフィードバックはGithubイシューページ(https://github.com/xianggebenben/GraphSL/ Issues)にリンクできる。

関連論文リスト

GALA: Graph Diffusion-based Alignment with Jigsaw for Source-free Domain Adaptation [13.317620250521124]
ソースコードのないドメイン適応は、現実世界で多くのアプリケーションを含むため、重要な機械学習トピックである。最近のグラフニューラルネットワーク(GNN)アプローチは、ドメインシフトとラベルの不足により、パフォーマンスが著しく低下する可能性がある。本稿では, ソースフリーなグラフドメイン適応に適した Jigsaw (GALA) を用いたグラフ拡散に基づくアライメント法を提案する。
論文参考訳（メタデータ） (2024-10-22T01:32:46Z)
Rank and Align: Towards Effective Source-free Graph Domain Adaptation [16.941755478093153]
グラフニューラルネットワーク(GNN)は、グラフ領域適応において素晴らしいパフォーマンスを達成した。しかし、プライバシやストレージ上の懸念から、大規模なソースグラフは現実のシナリオでは利用できない可能性がある。そこで我々は,Range and Align (RNA)と呼ばれる新しいGNNベースのアプローチを導入し,ロバストセマンティクス学習のためのスペクトルセレーションとグラフ類似性をランク付けする。
論文参考訳（メタデータ） (2024-08-22T08:00:50Z)
Invariant Graph Learning Meets Information Bottleneck for Out-of-Distribution Generalization [9.116601683256317]
本研究では,情報ボトルネック理論に基づく不変グラフ学習(Invariant Graph Learning)という新しいフレームワークを提案する。具体的には,環境要因に関連するタスク関連情報を圧縮する冗長フィルタを提案する。合成と実世界の両方のデータセットを用いた実験により,OODの一般化による最先端性能の実現が実証された。
論文参考訳（メタデータ） (2024-08-03T07:38:04Z)
GraphAlign: Pretraining One Graph Neural Network on Multiple Graphs via Feature Alignment [30.56443056293688]
グラフ自己教師型学習(SSL)は、グラフ構造化データによるマイニングと学習をかなり約束する。本研究では,グラフニューラルネットワーク(GNN)を,豊富なノード特徴を持つグラフのコレクションにプリトレーニングすることを目的としている。本稿では,既存のグラフSSLフレームワークにシームレスに統合可能な汎用GraphAlign法を提案する。
論文参考訳（メタデータ） (2024-06-05T05:22:32Z)
GraphEdit: Large Language Models for Graph Structure Learning [62.618818029177355]
グラフ構造学習(GSL)は、グラフ構造データ中のノード間の固有の依存関係と相互作用をキャプチャすることに焦点を当てている。既存のGSL法は、監督信号として明示的なグラフ構造情報に大きく依存している。グラフ構造化データの複雑なノード関係を学習するために,大規模言語モデル(LLM)を利用したグラフ編集を提案する。
論文参考訳（メタデータ） (2024-02-23T08:29:42Z)
GSINA: Improving Subgraph Extraction for Graph Invariant Learning via Graph Sinkhorn Attention [52.67633391931959]
グラフ不変学習(GIL)は,グラフデータとそのラベル間の不変性を発見するための効果的な手法である。グラフシンクホーン注意機構(GSINA)を提案する。 GSINAは、制御可能な空間性と柔らかさを持つ有意義で微分可能な不変部分グラフを得ることができる。
論文参考訳（メタデータ） (2024-02-11T12:57:16Z)
MGNet: Learning Correspondences via Multiple Graphs [78.0117352211091]
学習対応は、不均一な対応分布と低い不整合率で設定された初期対応から正しい対応を見つけることを目的としている。最近の進歩は、通常、グラフニューラルネットワーク(GNN)を使用して単一のタイプのグラフを構築したり、グローバルなグラフに局所グラフをスタックしてタスクを完了させる。本稿では,複数の補完グラフを効果的に組み合わせるためのMGNetを提案する。
論文参考訳（メタデータ） (2024-01-10T07:58:44Z)
Personalized Subgraph Federated Learning [56.52903162729729]
本稿では,新たなサブグラフFL問題,パーソナライズされたサブグラフFLを導入する。本稿では,Federated Personalized sUBgraph Learning (FED-PUB)を提案する。オーバーラップしないサブグラフとオーバーラップするサブグラフの両方を考慮して,FED-PUBのサブグラフFL性能を6つのデータセットで検証した。
論文参考訳（メタデータ） (2022-06-21T09:02:53Z)
Distributed Graph Learning with Smooth Data Priors [61.405131495287755]
本稿では,ノード上の信号観測からグラフを推論する分散グラフ学習アルゴリズムを提案する。この結果から,分散手法は,推定グラフの精度を損なうことなく,集中型アルゴリズムよりも通信コストが低いことがわかった。
論文参考訳（メタデータ） (2021-12-11T00:52:02Z)
Source Free Unsupervised Graph Domain Adaptation [60.901775859601685]
Unsupervised Graph Domain Adaptation (UGDA) はノード分類のラベル付けコストを削減するための実用的価値を示している。既存のUGDAメソッドの多くは、ソースドメインのラベル付きグラフに大きく依存している。現実のシナリオでは、ソースグラフはプライバシーの問題のためにアクセスできない。我々は、Source Free Unsupervised Graph Domain Adaptation (SFUGDA) という新しいシナリオを提案する。
論文参考訳（メタデータ） (2021-12-02T03:18:18Z)

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。