Fugu-MT 論文翻訳(概要): MaxCutPool: differentiable feature-aware Maxcut for pooling in graph neural networks

論文の概要: MaxCutPool: differentiable feature-aware Maxcut for pooling in graph neural networks

arxiv url: http://arxiv.org/abs/2409.05100v2
Date: Tue, 10 Sep 2024 08:00:19 GMT
ステータス: 処理完了
システム内更新日: 2024-09-11 12:03:11.228009
Title: MaxCutPool: differentiable feature-aware Maxcut for pooling in graph neural networks
Title（参考訳）: MaxCutPool: グラフニューラルネットワークにおけるプールのための識別可能な特徴認識Maxcut
Authors: Carlo Abate, Filippo Maria Bianchi,
Abstract要約: 本稿では,属性グラフ,すなわちノードやエッジに関連付けられた特徴を持つグラフにおいて,MAXCUTを計算するための新しい手法を提案する。我々のアプローチは、基礎となるグラフトポロジに対して堅牢であり、完全に微分可能であり、MAXCUTを他の目的と共に共同で最適化するソリューションを見つけることができる。
参考スコア（独自算出の注目度）: 5.524804393257921
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We propose a novel approach to compute the MAXCUT in attributed graphs, i.e., graphs with features associated with nodes and edges. Our approach is robust to the underlying graph topology and is fully differentiable, making it possible to find solutions that jointly optimize the MAXCUT along with other objectives. Based on the obtained MAXCUT partition, we implement a hierarchical graph pooling layer for Graph Neural Networks, which is sparse, differentiable, and particularly suitable for downstream tasks on heterophilic graphs.
Abstract（参考訳）: 本稿では,属性グラフ,すなわちノードやエッジに関連付けられた特徴を持つグラフにおいて,MAXCUTを計算するための新しい手法を提案する。我々のアプローチは、基礎となるグラフトポロジに対して堅牢であり、完全に微分可能であり、MAXCUTを他の目的と共に共同で最適化するソリューションを見つけることができる。得られたMAXCUT分割に基づいて,グラフニューラルネットワークの階層的なグラフプーリング層を実装した。

関連論文リスト

Improving Graph Neural Networks by Learning Continuous Edge Directions [0.0]
グラフニューラルネットワーク(GNN)は、従来、非指向グラフ上の拡散に似たメッセージパッシング機構を採用している。私たちのキーとなる洞察は、ファジィエッジ方向をグラフのエッジに割り当てることです。ファジィエッジを持つグラフを学習するためのフレームワークとして,Continuous Edge Direction (CoED) GNNを提案する。
論文参考訳（メタデータ） (2024-10-18T01:34:35Z)
Graph Similarity Regularized Softmax for Semi-Supervised Node Classification [33.297649538686045]
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用に設計された強力なディープラーニングモデルである。半教師付きノード分類におけるGNNに対するグラフ類似性正規化ソフトマックスを提案する。
論文参考訳（メタデータ） (2024-09-20T14:38:16Z)
Spectral Greedy Coresets for Graph Neural Networks [61.24300262316091]
ノード分類タスクにおける大規模グラフの利用は、グラフニューラルネットワーク(GNN)の現実的な応用を妨げる本稿では,GNNのグラフコアセットについて検討し,スペクトル埋め込みに基づくエゴグラフの選択により相互依存の問題を回避する。我々のスペクトルグレディグラフコアセット(SGGC)は、数百万のノードを持つグラフにスケールし、モデル事前学習の必要性を排除し、低ホモフィリーグラフに適用する。
論文参考訳（メタデータ） (2024-05-27T17:52:12Z)
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)
Multi-Granularity Graph Pooling for Video-based Person Re-Identification [14.943835935921296]
ビデオサンプルの時間的特徴と空間的特徴を集約するためにグラフニューラルネットワーク(GNN)が導入された。 STGCNのような既存のグラフベースのモデルは、グラフ表現を得るためにノード機能でtextitmean/textitmaxプールを実行する。ビデオ検索のための多粒度グラフ表現を学習するためのグラフプーリングネットワーク(GPNet)を提案する。
論文参考訳（メタデータ） (2022-09-23T13:26:05Z)
Deep Manifold Learning with Graph Mining [80.84145791017968]
グラフマイニングのための非段階的決定層を持つ新しいグラフ深層モデルを提案する。提案モデルでは,現行モデルと比較して最先端性能を実現している。
論文参考訳（メタデータ） (2022-07-18T04:34:08Z)
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)
Graph Cross Networks with Vertex Infomax Pooling [69.38969610952927]
グラフの複数スケールから包括的特徴学習を実現するための新しいグラフクロスネットワーク(GXN)を提案する。グラフのトレーニング可能な階層表現に基づいて、GXNは、スケール間で中間的特徴の交換を可能にし、情報フローを促進する。
論文参考訳（メタデータ） (2020-10-05T06:34:23Z)
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)
Wasserstein-based Graph Alignment [56.84964475441094]
我々は,より小さいグラフのノードと大きなグラフのノードをマッチングすることを目的とした,1対多のグラフアライメント問題に対する新しい定式化を行った。提案手法は,各タスクに対する最先端のアルゴリズムに対して,大幅な改善をもたらすことを示す。
論文参考訳（メタデータ） (2020-03-12T22:31:59Z)

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。