Fugu-MT 論文翻訳(概要): GLAudio Listens to the Sound of the Graph

論文の概要: GLAudio Listens to the Sound of the Graph

arxiv url: http://arxiv.org/abs/2407.14387v1
Date: Fri, 19 Jul 2024 15:13:22 GMT
ステータス: 処理完了
システム内更新日: 2024-07-22 17:05:24.156099
Title: GLAudio Listens to the Sound of the Graph
Title（参考訳）: GLAudioがグラフの音を聴く
Authors: Aurelio Sulser, Johann Wenckstern, Clara Kuempel,
Abstract要約: 本稿では,GLAudio: Graph Learning on Audio representation of the node features and the connection structureを提案する。この新規なアーキテクチャは、離散波動方程式に従ってグラフネットワークを介してノード特徴を伝播し、その後、シーケンス学習アーキテクチャを用いて、音声波信号からターゲットノード関数を学習する。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We propose GLAudio: Graph Learning on Audio representation of the node features and the connectivity structure. This novel architecture propagates the node features through the graph network according to the discrete wave equation and then employs a sequence learning architecture to learn the target node function from the audio wave signal. This leads to a new paradigm of learning on graph-structured data, in which information propagation and information processing are separated into two distinct steps. We theoretically characterize the expressivity of our model, introducing the notion of the receptive field of a vertex, and investigate our model's susceptibility to over-smoothing and over-squashing both theoretically as well as experimentally on various graph datasets.
Abstract（参考訳）: 本稿では,GLAudio: Graph Learning on Audio representation of the node features and the connection structureを提案する。この新規なアーキテクチャは、離散波動方程式に従ってグラフネットワークを介してノード特徴を伝播し、その後、シーケンス学習アーキテクチャを用いて、音声波信号からターゲットノード関数を学習する。これは、情報伝達と情報処理を2つの異なるステップに分けたグラフ構造化データに関する新たな学習パラダイムにつながります。理論的には,本モデルの表現性を特徴付けるとともに,頂点の受容場の概念を導入し,理論上も実験上も,過剰なスムース化や過剰なスキャッシングに対するモデルの受容性について検討する。

関連論文リスト

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)
GNN-LoFI: a Novel Graph Neural Network through Localized Feature-based Histogram Intersection [51.608147732998994]
グラフニューラルネットワークは、グラフベースの機械学習の選択フレームワークになりつつある。本稿では,古典的メッセージパッシングに代えて,ノード特徴の局所分布を解析するグラフニューラルネットワークアーキテクチャを提案する。
論文参考訳（メタデータ） (2024-01-17T13:04:23Z)
Cooperative Graph Neural Networks [7.2459816681395095]
グラフニューラルネットワークのクラスは、標準的なメッセージパッシングパラダイムに従う。本稿では,グラフニューラルネットワークをトレーニングするための新しいフレームワークを提案する。私たちのアプローチは、より柔軟で動的なメッセージパッシングパラダイムを提供します。
論文参考訳（メタデータ） (2023-10-02T15:08:52Z)
Heterogeneous Graph Learning for Acoustic Event Classification [22.526665796655205]
オーディオヴィジュアルデータのためのグラフは手作業で作成され、これは困難で準最適である。クロスモーダルエッジを学習する新しいモデルであるヘテロジニアスグラフクロスモーダルネットワーク(HGCN)を開発した。提案モデルではパラメトリックな構成により,様々な空間的・時間的スケールに対応でき,学習可能なクロスモーダルエッジは関連ノードを効果的に接続することができる。
論文参考訳（メタデータ） (2023-03-05T13:06:53Z)
Convolutional Learning on Multigraphs [153.20329791008095]
我々は、多グラフ上の畳み込み情報処理を開発し、畳み込み多グラフニューラルネットワーク(MGNN)を導入する。情報拡散の複雑なダイナミクスを多グラフのエッジのクラス間で捉えるために、畳み込み信号処理モデルを定式化する。我々は,計算複雑性を低減するため,サンプリング手順を含むマルチグラフ学習アーキテクチャを開発した。導入されたアーキテクチャは、最適な無線リソース割り当てとヘイトスピーチローカライゼーションタスクに適用され、従来のグラフニューラルネットワークよりも優れたパフォーマンスを提供する。
論文参考訳（メタデータ） (2022-09-23T00:33:04Z)
SHGNN: Structure-Aware Heterogeneous Graph Neural Network [77.78459918119536]
本稿では、上記の制約に対処する構造対応不均一グラフニューラルネットワーク(SHGNN)を提案する。まず,メタパス内の中間ノードの局所構造情報を取得するために,特徴伝搬モジュールを利用する。次に、ツリーアテンションアグリゲータを使用して、グラフ構造情報をメタパス上のアグリゲーションモジュールに組み込む。最後に、メタパスアグリゲータを利用して、異なるメタパスから集約された情報を融合する。
論文参考訳（メタデータ） (2021-12-12T14:18:18Z)
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)
Graph Fairing Convolutional Networks for Anomaly Detection [7.070726553564701]
半教師付き異常検出のためのスキップ接続付きグラフ畳み込みネットワークを提案する。本モデルの有効性は,5つのベンチマークデータセットに対する広範な実験によって実証された。
論文参考訳（メタデータ） (2020-10-20T13:45:47Z)
Kernel-based Graph Learning from Smooth Signals: A Functional Viewpoint [15.577175610442351]
ノード側および観測側情報を組み込んだ新しいグラフ学習フレームワークを提案する。我々は、Kronecker製品カーネルに付随する再生カーネルヒルベルト空間の関数としてグラフ信号を使用する。我々は、Kronecker製品カーネルと組み合わせることで、グラフによって説明される依存性とグラフ信号による依存性の両方を捕捉できる新しいグラフベースの正規化手法を開発した。
論文参考訳（メタデータ） (2020-08-23T16:04:23Z)
Graph Pooling with Node Proximity for Hierarchical Representation Learning [80.62181998314547]
本稿では,ノード近接を利用したグラフプーリング手法を提案し,そのマルチホップトポロジを用いたグラフデータの階層的表現学習を改善する。その結果,提案したグラフプーリング戦略は,公開グラフ分類ベンチマークデータセットの集合において,最先端のパフォーマンスを達成できることが示唆された。
論文参考訳（メタデータ） (2020-06-19T13:09:44Z)
Tensor Graph Convolutional Networks for Text Classification [17.21683037822181]
グラフベースのニューラルネットワークは、グローバル情報をキャプチャする機能など、いくつかの優れた特性を示している。本稿では,テキスト分類問題に対するグラフベースニューラルネットワークについて検討する。
論文参考訳（メタデータ） (2020-01-12T14:28:33Z)

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。