Fugu-MT 論文翻訳(概要): Graph Pooling with Local Cluster Selection

論文の概要: Graph Pooling with Local Cluster Selection

arxiv url: http://arxiv.org/abs/2411.16615v1
Date: Mon, 25 Nov 2024 17:54:29 GMT
ステータス: 翻訳完了
システム内更新日: 2024-11-26 14:19:30.089070
Title: Graph Pooling with Local Cluster Selection
Title（参考訳）: 局所クラスタ選択によるグラフプーリング
Authors: Yizhu Chen,
Abstract要約: GNNにおけるグラフプーリングは、グラフを入力として取り、粗いグラフを出力として生成する操作のファミリーである。この研究は、平均的な状況に対するグラフプーリングアプローチとともに、グラフをプールする新しい手順を定式化する。
参考スコア（独自算出の注目度）: 0.0
License:
Abstract: Graph poolings in GNNs are a family of operations which take graphs as inputs and produce coarsened graphs as output. Modern graph poolings are trainable and closely related to GNNs, which learn to pool graphs under different assumptions. Though there are various assumptions, the procedure of generating pooled graphs is relatively similar and limited. This work formalizes a novel procedure of pooling graphs, along with a graph pooling approach for average situations.
Abstract（参考訳）: GNNにおけるグラフプーリングは、グラフを入力として取り、粗いグラフを出力として生成する操作のファミリーである。現代のグラフプーリングは訓練可能であり、異なる仮定の下でグラフをプールすることを学ぶGNNと密接に関連している。様々な仮定があるが、プールグラフの生成手順は比較的類似しており、制限されている。この研究は、平均的な状況に対するグラフプーリングアプローチとともに、グラフをプールする新しい手順を定式化する。

関連論文リスト

Graph Pooling via Ricci Flow [1.1126342180866644]
グラフプーリング演算子(ORC-Pool)を導入し,Ollivierの離散リッチ曲率とそれに付随する幾何流によるグラフの幾何学的特徴付けを利用する。 ORC-Poolはそのようなクラスタリングアプローチを属性付きグラフに拡張し、幾何学的粗大化をプール層としてグラフニューラルネットワークに統合する。
論文参考訳（メタデータ） (2024-07-05T03:26:37Z)
Co-attention Graph Pooling for Efficient Pairwise Graph Interaction Learning [19.58671020943416]
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からの処理と学習に有効であることが証明されている。グラフプーリングにおけるコアテンションを用いた相互作用表現抽出のための,新しい,効率的なグラフレベルアプローチを提案する。筆者らの手法であるCAGPool(Co-Attention Graph Pooling)は,従来の手法と比較して,分類処理と回帰処理の両面での競合性能を示す。
論文参考訳（メタデータ） (2023-07-28T07:53:34Z)
Graph Mixup with Soft Alignments [49.61520432554505]
本研究では,画像上での使用に成功しているミキサアップによるグラフデータの増大について検討する。ソフトアライメントによるグラフ分類のための簡易かつ効果的な混合手法であるS-Mixupを提案する。
論文参考訳（メタデータ） (2023-06-11T22:04:28Z)
MPool: Motif-Based Graph Pooling [0.0]
グラフニューラルネットワーク(GNN)は近年,グラフ分類を含む多くのグラフ関連タスクにおいて,強力な技術となっている。マルチチャネルモチーフに基づくグラフポーリング手法(MPool)を提案する。第1のチャネルとして、ノードのモチーフ隣接性を考慮したノードランキングモデルを設計し、ノード選択に基づくグラフプーリングを開発する。第2のチャネルとして、モチーフアジャシエンスを用いたスペクトルクラスタリングモデルを設計し、クラスタベースのグラフプーリングを開発する。最終層として、各チャネルの結果を最終グラフ表現に集約する。
論文参考訳（メタデータ） (2023-03-07T05:21:15Z)
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)
Similarity-aware Positive Instance Sampling for Graph Contrastive Pre-training [82.68805025636165]
トレーニングセット内の既存グラフから直接正のグラフインスタンスを選択することを提案する。私たちの選択は、特定のドメイン固有のペアワイズ類似度測定に基づいています。さらに,ノードを動的にマスキングしてグラフ上に均等に分配する適応ノードレベルの事前学習手法を開発した。
論文参考訳（メタデータ） (2022-06-23T20:12:51Z)
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)
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)
Second-Order Pooling for Graph Neural Networks [62.13156203025818]
グラフプーリングとして2次プールを提案するが、これは上記の課題を自然に解決する。グラフニューラルネットワークによる2次プールの直接利用は、実用的な問題を引き起こすことを示す。本稿では,2次プールに基づく2つの新しいグローバルグラフプーリング手法,すなわちバイリニアマッピングと2次プールを提案する。
論文参考訳（メタデータ） (2020-07-20T20:52:36Z)
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)

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。