論文の概要: Theoretical Insights into Line Graph Transformation on Graph Learning

• arxiv url: http://arxiv.org/abs/2410.16138v1
• Date: Mon, 21 Oct 2024 16:04:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-22 13:19:46.003258
• Title: Theoretical Insights into Line Graph Transformation on Graph Learning
• Title（参考訳）: グラフ学習における線グラフ変換の理論的考察
• Authors: Fan Yang, Xingyue Huang,
• Abstract要約: 線グラフ変換はグラフ理論において広く研究されており、線グラフの各ノードは元のグラフのエッジに対応する。 これは、変換された線グラフに適用された一連のグラフニューラルネットワーク(GNN)にインスピレーションを与え、様々なグラフ表現学習タスクに有効であることが証明された。 本研究では,Weisfeiler-Leman (WL) テストに挑戦することが知られている2種類のグラフ,Cai-F"urer-Immerman (CFI) グラフと強い正則グラフに着目した。
• 参考スコア（独自算出の注目度）: 3.0574700762497744
• License:
• Abstract: Line graph transformation has been widely studied in graph theory, where each node in a line graph corresponds to an edge in the original graph. This has inspired a series of graph neural networks (GNNs) applied to transformed line graphs, which have proven effective in various graph representation learning tasks. However, there is limited theoretical study on how line graph transformation affects the expressivity of GNN models. In this study, we focus on two types of graphs known to be challenging to the Weisfeiler-Leman (WL) tests: Cai-F\"urer-Immerman (CFI) graphs and strongly regular graphs, and show that applying line graph transformation helps exclude these challenging graph properties, thus potentially assist WL tests in distinguishing these graphs. We empirically validate our findings by conducting a series of experiments that compare the accuracy and efficiency of graph isomorphism tests and GNNs on both line-transformed and original graphs across these graph structure types.
• Abstract（参考訳）: 線グラフ変換はグラフ理論において広く研究されており、線グラフの各ノードは元のグラフのエッジに対応する。 これは、変換された線グラフに適用された一連のグラフニューラルネットワーク(GNN)にインスピレーションを与え、様々なグラフ表現学習タスクに有効であることが証明された。 しかし、ライングラフ変換がGNNモデルの表現性にどう影響するかについては、限定的な理論的研究がある。 本研究では,Weisfeiler-Leman (WL) グラフと強い正則グラフという,Weisfeiler-Leman (WL) テストに挑戦することが知られている2種類のグラフに焦点をあてる。 これらのグラフ構造型にまたがる線変換および原グラフ上のグラフ同型テストとGNNの精度と効率を比較する一連の実験を行うことで、実験によりこれらの知見を実証的に検証する。

関連論文リスト

• Neural Graph Generator: Feature-Conditioned Graph Generation using Latent Diffusion Models [22.794561387716502]
  グラフ生成に条件付き潜在拡散モデルを利用する新しい手法であるニューラルグラフ生成器(NGG)を導入する。 NGGは複雑なグラフパターンをモデル化し、グラフ生成プロセスの制御を提供する。
  論文  参考訳（メタデータ） (2024-03-03T15:28:47Z)
• Uplifting the Expressive Power of Graph Neural Networks through Graph Partitioning [3.236774847052122]
  グラフ分割のレンズによるグラフニューラルネットワークの表現力について検討する。 我々は新しいGNNアーキテクチャ、すなわちグラフ分割ニューラルネットワーク(GPNN)を導入する。
  論文  参考訳（メタデータ） (2023-12-14T06:08:35Z)
• Geometric instability of graph neural networks on large graphs [0.0]
  グラフニューラルネットワーク(GNN)による埋め込みの幾何学的不安定性の解析 このような不安定性を測定するために,グラフネイティブグラフグラフグラム(GGI)を提案する。 これにより、ノード分類とリンク予測の両方のために、GNN埋め込みの様々な不安定な振る舞いを大きなグラフ上で研究することができる。
  論文  参考訳（メタデータ） (2023-08-19T20:10:54Z)
• Spectral Augmentations for Graph Contrastive Learning [50.149996923976836]
  コントラスト学習は、監督の有無にかかわらず、表現を学習するための第一の方法として現れてきた。 近年の研究では、グラフ表現学習における事前学習の有用性が示されている。 本稿では,グラフの対照的な目的に対する拡張を構築する際に,候補のバンクを提供するためのグラフ変換操作を提案する。
  論文  参考訳（メタデータ） (2023-02-06T16:26:29Z)
• Graph Condensation via Receptive Field Distribution Matching [61.71711656856704]
  本稿では,元のグラフを表す小さなグラフの作成に焦点をあてる。 我々は、元のグラフを受容体の分布とみなし、受容体が同様の分布を持つ小さなグラフを合成することを目的としている。
  論文  参考訳（メタデータ） (2022-06-28T02:10:05Z)
• Learning Graph Structure from Convolutional Mixtures [119.45320143101381]
  本稿では、観測されたグラフと潜伏グラフのグラフ畳み込み関係を提案し、グラフ学習タスクをネットワーク逆(デコンボリューション)問題として定式化する。 固有分解に基づくスペクトル法の代わりに、近似勾配反復をアンロール・トランケートして、グラフデコンボリューションネットワーク(GDN)と呼ばれるパラメータ化ニューラルネットワークアーキテクチャに到達させる。 GDNは、教師付き方式でグラフの分布を学習し、損失関数を適応させることでリンク予測やエッジウェイト回帰タスクを実行し、本質的に帰納的である。
  論文  参考訳（メタデータ） (2022-05-19T14:08:15Z)
• Transferability Properties of Graph Neural Networks [125.71771240180654]
  グラフニューラルネットワーク(GNN)は、中規模グラフでサポートされているデータから表現を学ぶのに成功している。 適度な大きさのグラフ上でGNNを訓練し、それらを大規模グラフに転送する問題について検討する。 その結果, (i) グラフサイズに応じて転送誤差が減少し, (ii) グラフフィルタは非線型性の散乱挙動によってGNNにおいて緩和されるような転送可能性-識別可能性トレードオフを有することがわかった。
  論文  参考訳（メタデータ） (2021-12-09T00:08:09Z)
• Transferability of Graph Neural Networks: an Extended Graphon Approach [3.042325619220694]
  スペクトルグラフ畳み込みニューラルネットワーク(GCNN)について検討する。 本稿では,グラノン分析に基づく転送可能性のモデルについて考察する。
  論文  参考訳（メタデータ） (2021-09-21T10:59:01Z)
• Dirichlet Graph Variational Autoencoder [65.94744123832338]
  本稿では,グラフクラスタメンバシップを潜在因子とするDGVAE(Dirichlet Graph Variational Autoencoder)を提案する。 バランスグラフカットにおける低パス特性により、入力グラフをクラスタメンバシップにエンコードする、Heattsと呼ばれるGNNの新しい変種を提案する。
  論文  参考訳（メタデータ） (2020-10-09T07:35:26Z)
• Multilevel Graph Matching Networks for Deep Graph Similarity Learning [79.3213351477689]
  グラフ構造オブジェクト間のグラフ類似性を計算するためのマルチレベルグラフマッチングネットワーク(MGMN)フレームワークを提案する。 標準ベンチマークデータセットの欠如を補うため、グラフグラフ分類とグラフグラフ回帰タスクの両方のためのデータセットセットを作成し、収集した。 総合的な実験により、MGMNはグラフグラフ分類とグラフグラフ回帰タスクの両方において、最先端のベースラインモデルより一貫して優れていることが示された。
  論文  参考訳（メタデータ） (2020-07-08T19:48:19Z)
• The Power of Graph Convolutional Networks to Distinguish Random Graph Models: Short Version [27.544219236164764]
  グラフ畳み込みネットワーク(GCN)はグラフ表現学習において広く使われている手法である。 サンプルグラフの埋め込みに基づいて異なるランダムグラフモデルを区別するGCNのパワーについて検討する。
  論文  参考訳（メタデータ） (2020-02-13T17:58:42Z)

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。