論文の概要: Edge-Based Graph Component Pooling

• arxiv url: http://arxiv.org/abs/2409.11856v1
• Date: Wed, 18 Sep 2024 10:24:42 GMT
• ステータス: 処理完了
• システム内更新日: 2024-09-19 18:23:34.758579
• Title: Edge-Based Graph Component Pooling
• Title（参考訳）: エッジベースのグラフコンポーネントポーリング
• Authors: T. Snelleman, B. M. Renting, H. H. Hoos, J. N. van Rijn,
• Abstract要約: グラフニューラルネットワークは、グラフを通じて局所的な特徴を伝達するために、メッセージパッシング層のようなテクニックを用いる。 メッセージパッシングレイヤは、大きくてスパースなグラフを扱う場合、計算コストがかかる可能性がある。 本稿では,データ損失を生じさせないようにノードをマージするプーリング演算子を提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graph-structured data naturally occurs in many research fields, such as chemistry and sociology. The relational information contained therein can be leveraged to statistically model graph properties through geometrical deep learning. Graph neural networks employ techniques, such as message-passing layers, to propagate local features through a graph. However, message-passing layers can be computationally expensive when dealing with large and sparse graphs. Graph pooling operators offer the possibility of removing or merging nodes in such graphs, thus lowering computational costs. However, pooling operators that remove nodes cause data loss, and pooling operators that merge nodes are often computationally expensive. We propose a pooling operator that merges nodes so as not to cause data loss but is also conceptually simple and computationally inexpensive. We empirically demonstrate that the proposed pooling operator performs statistically significantly better than edge pool on four popular benchmark datasets while reducing time complexity and the number of trainable parameters by 70.6% on average. Compared to another maximally powerful method named Graph Isomporhic Network, we show that we outperform them on two popular benchmark datasets while reducing the number of learnable parameters on average by 60.9%.
• Abstract（参考訳）: グラフ構造化データは、化学や社会学など、多くの研究分野において自然に発生する。 それに含まれる関係情報は、幾何学的深層学習を通じて統計学的にグラフ特性をモデル化するために利用することができる。 グラフニューラルネットワークは、グラフを通じて局所的な特徴を伝達するために、メッセージパッシング層のようなテクニックを用いる。 しかし、大きなグラフやスパースグラフを扱う場合、メッセージパッシング層は計算コストがかかる可能性がある。 グラフプーリング演算子は、そのようなグラフ内のノードを削除またはマージする可能性を提供し、計算コストを下げる。 しかし、ノードを削除するプーリング演算子はデータ損失を引き起こし、ノードをマージするプーリング演算子は計算コストがかかることが多い。 本稿では,データ損失を生じさせないようにノードをマージするプーリング演算子を提案する。 提案したプール演算子は、4つの人気のあるベンチマークデータセットのエッジプールよりも統計的に有意に優れた性能を示し、時間的複雑さとトレーニング可能なパラメータの数を平均70.6%削減した。 Graph Isomporhic Network(グラフイソポラリックネットワーク)という他の最大出力の手法と比較して、一般的なベンチマークデータセット2つよりも優れており、学習可能なパラメータの数は平均60.9%削減されている。

関連論文リスト

• Graph Parsing Networks [64.5041886737007]
  本稿では,効率的なグラフ解析アルゴリズムを提案する。 結果として得られるグラフパーシングネットワーク(GPN)は、個々のグラフに対してパーソナライズされたプーリング構造を適応的に学習する。
  論文  参考訳（メタデータ） (2024-02-22T09:08:36Z)
• Careful Selection and Thoughtful Discarding: Graph Explicit Pooling Utilizing Discarded Nodes [53.08068729187698]
  本稿では,ノードと最終表現ベクトルの関係を明示的に活用してノードを選択するグラフ明示プール法を提案する。 提案手法の有効性を検証するため,12種類の広く使用されているデータセットを対象とした総合的な実験を行った。
  論文  参考訳（メタデータ） (2023-11-21T14:44:51Z)
• On the Effectiveness of Hybrid Pooling in Mixup-Based Graph Learning for Language Processing [20.812886172494082]
  グラフニューラルネットワーク(GNN)ベースのグラフ学習は、自然言語やプログラミング言語処理で人気がある。 近年,グラフ学習タスクにおいてGNNを強化するために,Manifold-Mixupが広く採用されている。 本稿では,グラフプーリング演算子がMixupに基づくグラフ学習の性能に与える影響について検討する。
  論文  参考訳（メタデータ） (2022-10-06T14:37:24Z)
• 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)
• DOTIN: Dropping Task-Irrelevant Nodes for GNNs [119.17997089267124]
  最近のグラフ学習アプローチでは、学習のためのグラフのサイズを減らすためのプール戦略が導入されている。 我々はDOTIN(underlineDrunderlineopping underlineTask-underlineIrrelevant underlineNodes)と呼ばれる新しいアプローチを設計し、グラフのサイズを減らす。 本手法は,グラフ分類やグラフ編集距離を含むグラフレベルのタスクにおいて,GATを約50%高速化する。
  論文  参考訳（メタデータ） (2022-04-28T12:00:39Z)
• 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)
• 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)
• 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)
• Hierarchical Representation Learning in Graph Neural Networks with Node Decimation Pooling [31.812988573924674]
  グラフニューラルネットワーク(GNN)では、プール演算子は入力グラフの局所的な要約を計算し、そのグローバルな特性をキャプチャする。 グラフトポロジ全体を保存しながら粗いグラフを生成するGNNのためのプール演算子であるNode Decimation Pooling (NDP)を提案する。 NDPは、最先端のグラフプーリング演算子よりも効率的であり、同時に、様々なグラフ分類タスクにおける競合性能にも達する。
  論文  参考訳（メタデータ） (2019-10-24T21:42:12Z)

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。