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)
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)
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)
LiftPool: Lifting-based Graph Pooling for Hierarchical Graph Representation Learning [53.176603566951016]
階層グラフ表現を改善するために,リフトプール (LiftPool) と呼ばれるリフトによる3段階法を提案する。各ノードを削除するために、そのローカル情報は、隣接する保存ノードから集約されたグローバル情報を減らして得られる。ベンチマークグラフデータセットの評価では、LiftPoolはグラフ分類のタスクにおいて最先端のグラフプーリング手法を大幅に上回っている。
論文参考訳（メタデータ） (2022-04-27T12:38:02Z)
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)
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)
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。