論文の概要: Graph Adversarial Diffusion Convolution

• arxiv url: http://arxiv.org/abs/2406.02059v1
• Date: Tue, 4 Jun 2024 07:43:04 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-05 17:30:56.887119
• Title: Graph Adversarial Diffusion Convolution
• Title（参考訳）: Graph Adversarial Diffusion Convolution
• Authors: Songtao Liu, Jinghui Chen, Tianfan Fu, Lu Lin, Marinka Zitnik, Dinghao Wu,
• Abstract要約: 本稿では,グラフ信号デノイング(GSD)問題に対する min-max 最適化の定式化を提案する。 Graph Adversarial Diffusion Convolution (GADC)と呼ばれる新しいGraph Diffusion Convolutionアーキテクチャを導出する。
• 参考スコア（独自算出の注目度）: 49.974206213411904
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper introduces a min-max optimization formulation for the Graph Signal Denoising (GSD) problem. In this formulation, we first maximize the second term of GSD by introducing perturbations to the graph structure based on Laplacian distance and then minimize the overall loss of the GSD. By solving the min-max optimization problem, we derive a new variant of the Graph Diffusion Convolution (GDC) architecture, called Graph Adversarial Diffusion Convolution (GADC). GADC differs from GDC by incorporating an additional term that enhances robustness against adversarial attacks on the graph structure and noise in node features. Moreover, GADC improves the performance of GDC on heterophilic graphs. Extensive experiments demonstrate the effectiveness of GADC across various datasets. Code is available at https://github.com/SongtaoLiu0823/GADC.
• Abstract（参考訳）: 本稿では,グラフ信号デノイング(GSD)問題に対する min-max 最適化の定式化を提案する。 この定式化において、まず、ラプラシア距離に基づくグラフ構造に摂動を導入し、GSDの全体的な損失を最小化することにより、GSDの第二項を最大化する。 min-max最適化問題を解くことにより、グラフ拡散畳み込み(GDC)アーキテクチャの新しい変種を導出する。 GADCはGDCと異なり、グラフ構造とノード特徴のノイズに対する敵対攻撃に対する堅牢性を高める追加用語を取り入れている。 さらに、GADCは異種グラフ上でのGDCの性能を向上させる。 広範囲にわたる実験は、GADCが様々なデータセットにまたがって有効であることを実証している。 コードはhttps://github.com/SongtaoLiu0823/GADCで入手できる。

関連論文リスト

• RobGC: Towards Robust Graph Condensation [61.259453496191696]
  グラフニューラルネットワーク(GNN)は、グラフ表現学習の目覚ましい能力によって広く注目を集めている。 しかし,大規模グラフの普及は,その計算要求により,GNNトレーニングにとって大きな課題となる。 本稿では,GNNを効率よく学習し,性能を保ちつつ,情報的コンパクトなグラフを生成するために,GC(Graph Condensation)を提案する。
  論文  参考訳（メタデータ） (2024-06-19T04:14:57Z)
• Graph Condensation for Open-World Graph Learning [48.38802327346445]
  グラフ凝縮(GC)は、グラフニューラルネットワーク(GNN)を効率的に訓練するための有望な加速ソリューションとして登場した。 既存のGCメソッドは、単に観測された静的グラフ分布と凝縮グラフの整合性に制限される。 しかし、現実のシナリオでは、グラフは動的で常に進化しており、新しいノードとエッジが継続的に統合されている。 グラフパターンの進化をシミュレートするために構造対応分散シフトを統合する,堅牢なGCフレームワークであるOpenGCを提案する。
  論文  参考訳（メタデータ） (2024-05-27T09:47:09Z)
• HC-GAE: The Hierarchical Cluster-based Graph Auto-Encoder for Graph Representation Learning [24.641827220223682]
  グラフデータ解析に有効な構造特性を学習できる階層型クラスタベースGAE(HC-GAE)を開発した。 提案したHC-GAEは,ノード分類やグラフ分類に有効な表現を生成できる。
  論文  参考訳（メタデータ） (2024-05-23T16:08:04Z)
• Through the Dual-Prism: A Spectral Perspective on Graph Data Augmentation for Graph Classification [71.36575018271405]
  本稿では,DP-NoiseとDP-Maskを組み合わせたDual-Prism(DP)拡張手法を提案する。 低周波固有値の変動を保ちながら、拡張グラフを生成する際に、臨界特性を大規模に保存できることが判明した。
  論文  参考訳（メタデータ） (2024-01-18T12:58:53Z)
• Graph Fourier MMD for Signals on Graphs [67.68356461123219]
  本稿では,グラフ上の分布と信号の間の新しい距離を提案する。 GFMMDは、グラフ上で滑らかであり、期待差を最大化する最適な目撃関数によって定義される。 グラフベンチマークのデータセットと単一セルRNAシークエンシングデータ解析について紹介する。
  論文  参考訳（メタデータ） (2023-06-05T00:01:17Z)
• The G-invariant graph Laplacian [12.676094208872842]
  我々は、既知のユニタリリー群 G の作用の下で閉じた多様体上のデータポイントを持つデータセットを考える。 グラフラプラシアンは、データセット上のGの作用によって生成されるすべての点間の距離を組み込むことで構成する。 G-GL はデータ多様体上のラプラス・ベルトラミ作用素に収束するが、収束速度は大幅に改善される。
  論文  参考訳（メタデータ） (2023-03-29T20:07:07Z)
• Gradient scarcity with Bilevel Optimization for Graph Learning [0.0]
  勾配不足は、ノードのサブセットの損失を最小限にすることでグラフを学習する際に発生する。 我々は、この現象の正確な数学的特徴を与え、双レベル最適化にも現れることを証明した。 この問題を緩和するために,グラフ・ツー・グラフモデル(G2G)を用いた潜時グラフ学習,グラフに先行構造を課すグラフ正規化,あるいは直径を縮小した元のグラフよりも大きなグラフを最適化することを提案する。
  論文  参考訳（メタデータ） (2023-03-24T12:37:43Z)
• Graph Signal Sampling for Inductive One-Bit Matrix Completion: a Closed-form Solution [112.3443939502313]
  グラフ信号解析と処理の利点を享受する統合グラフ信号サンプリングフレームワークを提案する。 キーとなる考え方は、各ユーザのアイテムのレーティングをアイテムイットグラフの頂点上の関数(信号)に変換することである。 オンライン設定では、グラフフーリエ領域における連続ランダムガウス雑音を考慮したベイズ拡張(BGS-IMC)を開発する。
  論文  参考訳（メタデータ） (2023-02-08T08:17:43Z)
• Evolving-Graph Gaussian Processes [20.065168755580558]
  既存のアプローチでは静的構造に重点を置いているが、実際のグラフデータの多くは動的構造を表しており、GGPの応用は制限されている。 我々はこれを克服するために進化的グラフガウス過程(e-GGP)を提案する。 静的グラフガウスプロセスアプローチに対するe-GGPの利点を実証する。
  論文  参考訳（メタデータ） (2021-06-29T07:16:04Z)

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。