論文の概要: Continuous Product Graph Neural Networks

• arxiv url: http://arxiv.org/abs/2405.18877v2
• Date: Wed, 30 Oct 2024 15:25:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-31 14:24:35.993101
• Title: Continuous Product Graph Neural Networks
• Title（参考訳）: 連続製品グラフニューラルネットワーク
• Authors: Aref Einizade, Fragkiskos D. Malliaros, Jhony H. Giraldo,
• Abstract要約: 複数のグラフ上に定義されたマルチドメインデータは、計算機科学の実践的応用において大きな可能性を秘めている。 TPDEGの自然な解として現れるCITRUS(Continuous Product Graph Neural Networks)を紹介する。 我々は、CITRUSをよく知られた交通・時間天気予報データセットで評価し、既存の手法よりも優れた性能を示す。
• 参考スコア（独自算出の注目度）: 5.703629317205571
• License:
• Abstract: Processing multidomain data defined on multiple graphs holds significant potential in various practical applications in computer science. However, current methods are mostly limited to discrete graph filtering operations. Tensorial partial differential equations on graphs (TPDEGs) provide a principled framework for modeling structured data across multiple interacting graphs, addressing the limitations of the existing discrete methodologies. In this paper, we introduce Continuous Product Graph Neural Networks (CITRUS) that emerge as a natural solution to the TPDEG. CITRUS leverages the separability of continuous heat kernels from Cartesian graph products to efficiently implement graph spectral decomposition. We conduct thorough theoretical analyses of the stability and over-smoothing properties of CITRUS in response to domain-specific graph perturbations and graph spectra effects on the performance. We evaluate CITRUS on well-known traffic and weather spatiotemporal forecasting datasets, demonstrating superior performance over existing approaches. The implementation codes are available at https://github.com/ArefEinizade2/CITRUS.
• Abstract（参考訳）: 複数のグラフ上に定義されたマルチドメインデータの処理は、計算機科学における様々な実践的応用において大きな可能性を秘めている。 しかし、現在の手法は主に離散グラフフィルタリングに限られている。 グラフ上のテンソル偏微分方程式(TPDEG)は、既存の離散的方法論の限界に対処しながら、複数の相互作用グラフにまたがる構造化データをモデル化するための原則的なフレームワークを提供する。 本稿では,PTDEGの自然な解として現れるCITRUS(Continuous Product Graph Neural Networks)を紹介する。 CITRUSは、カルト系グラフ製品からの連続熱核の分離性を利用して、グラフスペクトル分解を効率的に実装する。 本研究では,CITRUSの安定性と過度な平滑化特性を,ドメイン固有のグラフ摂動とグラフスペクトルの影響に応答して完全に理論的に解析する。 我々は、CITRUSをよく知られた交通・気象時空間予測データセットで評価し、既存の手法よりも優れた性能を示す。 実装コードはhttps://github.com/ArefEinizade2/CITRUSで公開されている。

関連論文リスト

• Graph Neural Networks with a Distribution of Parametrized Graphs [27.40566674759208]
  複数のグラフをパラメータ化して生成するために潜在変数を導入する。 予測最大化フレームワークにおいて,ネットワークパラメータの最大推定値を得る。
  論文  参考訳（メタデータ） (2023-10-25T06:38:24Z)
• Dynamic Causal Explanation Based Diffusion-Variational Graph Neural Network for Spatio-temporal Forecasting [60.03169701753824]
  時間予測のための動的拡散型グラフニューラルネットワーク(DVGNN)を提案する。 提案したDVGNNモデルは最先端のアプローチよりも優れ,Root Mean Squared Errorの結果が優れている。
  論文  参考訳（メタデータ） (2023-05-16T11:38:19Z)
• EasyDGL: Encode, Train and Interpret for Continuous-time Dynamic Graph Learning [92.71579608528907]
  本稿では,3つのモジュールから構成される使い勝手の良いパイプライン(EasyDGL)を設計することを目的とする。 EasyDGLは、進化するグラフデータからモデルが学習する周波数コンテンツの予測力を効果的に定量化することができる。
  論文  参考訳（メタデータ） (2023-03-22T06:35:08Z)
• Conditional Diffusion Based on Discrete Graph Structures for Molecular Graph Generation [32.66694406638287]
  分子グラフ生成のための離散グラフ構造(CDGS)に基づく条件拡散モデルを提案する。 具体的には、微分方程式(SDE)を用いて、グラフ構造と固有の特徴の両方に対して前方グラフ拡散過程を構築する。 本稿では,中間グラフ状態からグローバルコンテキストと局所ノードエッジ依存性を抽出する,特殊なハイブリッドグラフノイズ予測モデルを提案する。
  論文  参考訳（メタデータ） (2023-01-01T15:24:15Z)
• 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)
• Robust Causal Graph Representation Learning against Confounding Effects [21.380907101361643]
  本稿では,ロバスト因果グラフ表現学習(RCGRL)を提案する。 RCGRLは、無条件のモーメント制約の下でインストゥルメンタル変数を生成するアクティブなアプローチを導入し、グラフ表現学習モデルにより、共同設立者を排除している。
  論文  参考訳（メタデータ） (2022-08-18T01:31:25Z)
• 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)
• Optimal Propagation for Graph Neural Networks [51.08426265813481]
  最適グラフ構造を学習するための二段階最適化手法を提案する。 また、時間的複雑さをさらに軽減するために、低ランク近似モデルについても検討する。
  論文  参考訳（メタデータ） (2022-05-06T03:37:00Z)
• Score-based Generative Modeling of Graphs via the System of Stochastic Differential Equations [57.15855198512551]
  本稿では,連続時間フレームワークを用いたグラフのスコアベース生成モデルを提案する。 本手法は, トレーニング分布に近い分子を生成できるが, 化学価数則に違反しないことを示す。
  論文  参考訳（メタデータ） (2022-02-05T08:21:04Z)
• Block-Approximated Exponential Random Graphs [77.4792558024487]
  指数乱グラフ(ERG)の分野における重要な課題は、大きなグラフ上の非自明なERGの適合である。 本稿では,非自明なERGに対する近似フレームワークを提案する。 我々の手法は、数百万のノードからなるスパースグラフにスケーラブルである。
  論文  参考訳（メタデータ） (2020-02-14T11:42:16Z)

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。