Fugu-MT 論文翻訳(概要): GraphKAN: Enhancing Feature Extraction with Graph Kolmogorov Arnold Networks

論文の概要: GraphKAN: Enhancing Feature Extraction with Graph Kolmogorov Arnold Networks

arxiv url: http://arxiv.org/abs/2406.13597v1
Date: Wed, 19 Jun 2024 14:41:09 GMT
ステータス: 処理完了
システム内更新日: 2024-06-21 19:24:08.017114
Title: GraphKAN: Enhancing Feature Extraction with Graph Kolmogorov Arnold Networks
Title（参考訳）: GraphKAN: Graph Kolmogorov Arnold Networksによる機能抽出の強化
Authors: Fan Zhang, Xin Zhang,
Abstract要約: グラフニューラルネットワーク(GNN)は、グラフ内の依存関係をキャプチャして特徴を抽出するために使用される。 Kolmogorov Arnold Networks (KANs) にインスパイアされた私たちは,kans による GNN の最初の試みを行う。
参考スコア（独自算出の注目度）: 4.79964209103621
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Massive number of applications involve data with underlying relationships embedded in non-Euclidean space. Graph neural networks (GNNs) are utilized to extract features by capturing the dependencies within graphs. Despite groundbreaking performances, we argue that Multi-layer perceptrons (MLPs) and fixed activation functions impede the feature extraction due to information loss. Inspired by Kolmogorov Arnold Networks (KANs), we make the first attempt to GNNs with KANs. We discard MLPs and activation functions, and instead used KANs for feature extraction. Experiments demonstrate the effectiveness of GraphKAN, emphasizing the potential of KANs as a powerful tool. Code is available at https://github.com/Ryanfzhang/GraphKan.
Abstract（参考訳）: 膨大な数のアプリケーションには、非ユークリッド空間に埋め込まれた基礎となる関係を持つデータが含まれる。グラフニューラルネットワーク(GNN)は、グラフ内の依存関係をキャプチャして特徴を抽出するために使用される。基本性能にもかかわらず、多層パーセプトロン(MLP)と固定活性化関数は情報損失による特徴抽出を阻害すると主張している。 Kolmogorov Arnold Networks (KANs) にインスパイアされた私たちは,kans による GNN の最初の試みを行う。我々はMLPとアクティベーション機能を廃止し、代わりに機能抽出にkansを使用しました。実験はGraphKANの有効性を実証し、強力なツールとしてkansの可能性を強調した。コードはhttps://github.com/Ryanfzhang/GraphKan.comで入手できる。

関連論文リスト

KAGNNs: Kolmogorov-Arnold Networks meet Graph Learning [27.638009679134523]
グラフニューラルネットワーク(GNN)は,ノードとグラフ表現を学習するためのデファクトツールとなっている。本研究では,KAN(Kolmogorov-Arnold Networks)とグラフ学習タスクの定理の性能を比較した。
論文参考訳（メタデータ） (2024-06-26T14:21:21Z)
TouchUp-G: Improving Feature Representation through Graph-Centric Finetuning [37.318961625795204]
グラフニューラルネットワーク(GNN)は、多くのハイインパクトな実世界のグラフアプリケーションにおいて最先端のアプローチとなっている。機能豊富なグラフでは、PMを直接利用して機能を生成するのが一般的である。 PMから抽出されたノード特徴がグラフに依存しず、GNNがグラフ構造とノード特徴の間の潜在的な相関を十分に活用できないため、このプラクティスは準最適である。
論文参考訳（メタデータ） (2023-09-25T05:44:40Z)
Graph Neural Networks can Recover the Hidden Features Solely from the Graph Structure [17.912507269030577]
グラフニューラルネットワーク(GNN)は、グラフ学習問題の一般的なモデルである。 GNNはグラフ構造を自分自身で完全に活用できることを示す。事実上、GNNは下流タスクに隠されたノード機能と明示的なノード機能の両方を使用することができる。
論文参考訳（メタデータ） (2023-01-26T06:28:41Z)
Graph Neural Network Bandits [89.31889875864599]
グラフ構造データ上で定義された報酬関数を用いた帯域最適化問題を考察する。この設定の主な課題は、大きなドメインへのスケーリングと、多くのノードを持つグラフへのスケーリングである。グラフニューラルネットワーク(GNN)を用いて報酬関数を推定できることを示す。
論文参考訳（メタデータ） (2022-07-13T18:12:36Z)
Automatic Relation-aware Graph Network Proliferation [182.30735195376792]
GNNを効率的に検索するためのARGNP(Automatic Relation-Aware Graph Network Proliferation)を提案する。これらの操作は階層的なノード/リレーショナル情報を抽出し、グラフ上のメッセージパッシングのための異方的ガイダンスを提供する。 4つのグラフ学習タスクのための6つのデータセットの実験により、我々の手法によって生成されたGNNは、現在最先端の手作りおよび検索に基づくGNNよりも優れていることが示された。
論文参考訳（メタデータ） (2022-05-31T10:38:04Z)
EIGNN: Efficient Infinite-Depth Graph Neural Networks [51.97361378423152]
グラフニューラルネットワーク(GNN)は多くのアプリケーションでグラフ構造化データのモデリングに広く利用されている。この制限により、無限深度GNNモデルを提案し、これをEIGNN(Efficient Infinite-Depth Graph Neural Networks)と呼ぶ。 EIGNNは、最近のベースラインよりも長距離依存関係をキャプチャする能力が優れており、常に最先端のパフォーマンスを実現していることを示す。
論文参考訳（メタデータ） (2022-02-22T08:16:58Z)
Explicit Pairwise Factorized Graph Neural Network for Semi-Supervised Node Classification [59.06717774425588]
本稿では,グラフ全体を部分的に観測されたマルコフ確率場としてモデル化するEPFGNN(Explicit Pairwise Factorized Graph Neural Network)を提案する。出力-出力関係をモデル化するための明示的なペアワイズ要素を含み、入力-出力関係をモデル化するためにGNNバックボーンを使用する。本研究では,グラフ上での半教師付きノード分類の性能を効果的に向上できることを示す。
論文参考訳（メタデータ） (2021-07-27T19:47:53Z)
Multi-hop Graph Convolutional Network with High-order Chebyshev Approximation for Text Reasoning [15.65069702939315]
我々は高次動的チェビシェフ近似(HDGCN)を用いてスペクトルグラフ畳み込みネットワークを定義する。高次チェビシェフ近似の過度な平滑化を緩和するために、線形計算複雑性を持つマルチボイトベースのクロスアテンション(MVCAttn)も提案されている。
論文参考訳（メタデータ） (2021-06-08T07:49:43Z)
GraphMI: Extracting Private Graph Data from Graph Neural Networks [59.05178231559796]
GNNを反転させてトレーニンググラフのプライベートグラフデータを抽出することを目的とした textbfGraph textbfModel textbfInversion attack (GraphMI) を提案する。具体的には,グラフ特徴の空間性と滑らかさを保ちながら,グラフエッジの離散性に対処する勾配モジュールを提案する。エッジ推論のためのグラフトポロジ、ノード属性、ターゲットモデルパラメータを効率的に活用するグラフ自動エンコーダモジュールを設計する。
論文参考訳（メタデータ） (2021-06-05T07:07:52Z)
Scalable Graph Neural Networks for Heterogeneous Graphs [12.44278942365518]
グラフニューラルネットワーク(GNN)は、グラフ構造化データを学習するためのパラメトリックモデルの一般的なクラスである。最近の研究は、GNNが主に機能をスムースにするためにグラフを使用しており、ベンチマークタスクで競合する結果を示していると主張している。本研究では、これらの結果が異種グラフに拡張可能かどうかを問うとともに、異なるエンティティ間の複数のタイプの関係を符号化する。
論文参考訳（メタデータ） (2020-11-19T06:03:35Z)
Distance Encoding: Design Provably More Powerful Neural Networks for Graph Representation Learning [63.97983530843762]
グラフニューラルネットワーク(GNN)はグラフ表現学習において大きな成功を収めている。 GNNは、実際には非常に異なるグラフ部分構造に対して同一の表現を生成する。より強力なGNNは、最近高階試験を模倣して提案され、基礎となるグラフ構造を疎結合にできないため、非効率である。本稿では,グラフ表現学習の新たなクラスとして距離分解(DE)を提案する。
論文参考訳（メタデータ） (2020-08-31T23:15:40Z)

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。