論文の概要: MDL-Pool: Adaptive Multilevel Graph Pooling Based on Minimum Description Length

• arxiv url: http://arxiv.org/abs/2409.10263v2
• Date: Wed, 14 May 2025 19:48:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-16 22:29:06.014143
• Title: MDL-Pool: Adaptive Multilevel Graph Pooling Based on Minimum Description Length
• Title（参考訳）: MDL-Pool:最小記述長に基づく適応多レベルグラフポーリング
• Authors: Jan von Pichowski, Christopher Blöcker, Ingo Scholtes,
• Abstract要約: グラフプーリングはグラフを圧縮し、その位相的性質とベクトル表現の特徴を要約する。 カレントアプローチは、浅いプール作用素を固定深さまで反復的に適用することでグラフの階層構造をプールする。 最小記述長(MDL)の原理に基づくプール演算子 MDL-Pool を提案する。
• 参考スコア（独自算出の注目度）: 0.716879432974126
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graph pooling compresses graphs and summarises their topological properties and features in a vectorial representation. It is an essential part of deep graph representation learning and is indispensable in graph-level tasks like classification or regression. Current approaches pool hierarchical structures in graphs by iteratively applying shallow pooling operators up to a fixed depth. However, they disregard the interdependencies between structures at different hierarchical levels and do not adapt to datasets that contain graphs with different sizes that may require pooling with various depths. To address these issues, we propose MDL-Pool, a pooling operator based on the minimum description length (MDL) principle, whose loss formulation explicitly models the interdependencies between different hierarchical levels and facilitates a direct comparison between multiple pooling alternatives with different depths. MDP-Pool builds on the map equation, an information-theoretic objective function for community detection, which naturally implements Occam's razor and balances between model complexity and goodness-of-fit via the MDL. We demonstrate MDL-Pool's competitive performance in an empirical evaluation against various baselines across standard graph classification datasets.
• Abstract（参考訳）: グラフプーリングはグラフを圧縮し、その位相的性質とベクトル表現の特徴を要約する。 これはディープグラフ表現学習の不可欠な部分であり、分類や回帰といったグラフレベルのタスクには不可欠である。 カレントアプローチは、浅いプール作用素を固定深さまで反復的に適用することでグラフの階層構造をプールする。 しかし、それらは異なる階層レベルの構造間の相互依存を無視し、様々な深さでプールを必要とするかもしれない異なる大きさのグラフを含むデータセットに適応しない。 これらの問題に対処するために、最小記述長(MDL)の原理に基づくプール演算子であるMDL-Poolを提案する。 MDP-Poolは、Occamのカミソリを自然に実装し、MDLを介してモデル複雑性と適合性のバランスをとる、コミュニティ検出のための情報理論的目的関数であるマップ方程式に基づいている。 MDL-Poolの競合性能を,標準グラフ分類データセットにおける各種ベースラインに対する実証的な評価で実証する。

関連論文リスト

• SSHPool: The Separated Subgraph-based Hierarchical Pooling [47.78745802682822]
  グラフ分類のための新しい局所グラフプーリング法,すなわち分離部分グラフベース階層プール(SSH)を開発した。 局所グラフ畳み込み単位を局所構造として個別に用いて各部分グラフをより粗いノードに圧縮する。 我々は、グラフ分類のためのSSHPoolモジュールに関連するエンドツーエンドのGNNフレームワークを開発する。
  論文  参考訳（メタデータ） (2024-03-24T13:03:35Z)
• Higher-order Clustering and Pooling for Graph Neural Networks [77.47617360812023]
  グラフニューラルネットワークは、多数のグラフ分類タスクにおいて最先端のパフォーマンスを達成する。 HoscPoolはクラスタリングベースのグラフプーリング演算子で、階層的に高階情報をキャプチャする。 グラフ分類タスクにおいてHoscPoolを評価し,そのクラスタリングコンポーネントを地層構造を持つグラフ上で評価する。
  論文  参考訳（メタデータ） (2022-09-02T09:17:10Z)
• Edge but not Least: Cross-View Graph Pooling [76.71497833616024]
  本稿では,重要なグラフ構造情報を活用するために,クロスビューグラフプーリング(Co-Pooling)手法を提案する。 クロスビュー相互作用、エッジビュープーリング、ノードビュープーリングにより、相互にシームレスに強化され、より情報的なグラフレベルの表現が学習される。
  論文  参考訳（メタデータ） (2021-09-24T08:01:23Z)
• Structure-Aware Hierarchical Graph Pooling using Information Bottleneck [2.7088996845250897]
  グラフプーリングは、グラフ分類および回帰タスクにおけるグラフニューラルネットワーク(GNN)の重要な要素です。 本稿では,情報ボトルネック(IB)の原理を応用した,HIBPoolという新しいプール手法を提案する。 また,グラフの局所部分グラフ構造をキャプチャするために,新しい構造認識型識別プーリング読み出し(dip-readout)関数を導入する。
  論文  参考訳（メタデータ） (2021-04-27T07:27:43Z)
• Accurate Learning of Graph Representations with Graph Multiset Pooling [45.72542969364438]
  本稿では,その構造的依存関係に応じてノード間の相互作用をキャプチャするグラフマルチセットトランス (GMT) を提案する。 実験の結果,GMTはグラフ分類ベンチマークにおいて,最先端のグラフプーリング法を著しく上回っていることがわかった。
  論文  参考訳（メタデータ） (2021-02-23T07:45:58Z)
• CommPOOL: An Interpretable Graph Pooling Framework for Hierarchical Graph Representation Learning [74.90535111881358]
  新しい解釈可能なグラフプーリングフレームワークである CommPOOL を提案します。 グラフ表現学習プロセスにおいて、グラフの階層的なコミュニティ構造をキャプチャし、保存することができる。 CommPOOLは階層グラフ表現学習のための汎用的で柔軟なフレームワークです。
  論文  参考訳（メタデータ） (2020-12-10T21:14:18Z)
• 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)
• SimPool: Towards Topology Based Graph Pooling with Structural Similarity Features [0.0]
  本稿では,2つの主要な寄与について提案する。1つ目は,隣接行列に基づく構造的類似性を計算した差分モジュールである。 2つ目の主な貢献は、これらの機能をDiffPool arXiv:1806.08804の再検討されたプール層と統合し、SimPoolと呼ばれるプーリング層を提案することである。 実験の結果、エンドツーエンドのグラフニューラルネットワークアーキテクチャの一部として、SimPoolは、より局所性に近いノードクラスタ割り当てを計算する。
  論文  参考訳（メタデータ） (2020-06-03T12:51:57Z)

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。