論文の概要: Residual Hyperbolic Graph Convolution Networks
- arxiv url: http://arxiv.org/abs/2412.03825v1
- Date: Thu, 05 Dec 2024 02:38:45 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-06 14:40:06.784022
- Title: Residual Hyperbolic Graph Convolution Networks
- Title(参考訳): 残余双曲グラフ畳み込みネットワーク
- Authors: Yangkai Xue, Jindou Dai, Zhipeng Lu, Yuwei Wu, Yunde Jia,
- Abstract要約: 双曲グラフ畳み込みネットワーク(HGCN)は階層構造グラフをモデル化する表現能力を実証している。
オーバースムーシングはモデルレイヤーの数が増えるにつれて起こり、現在のほとんどのHGCNモデルの表現能力を制限する。
残余双曲グラフ畳み込みネットワーク(R-HGCN)を提案する。
- 参考スコア(独自算出の注目度): 24.380072966869932
- License:
- Abstract: Hyperbolic graph convolutional networks (HGCNs) have demonstrated representational capabilities of modeling hierarchical-structured graphs. However, as in general GCNs, over-smoothing may occur as the number of model layers increases, limiting the representation capabilities of most current HGCN models. In this paper, we propose residual hyperbolic graph convolutional networks (R-HGCNs) to address the over-smoothing problem. We introduce a hyperbolic residual connection function to overcome the over-smoothing problem, and also theoretically prove the effectiveness of the hyperbolic residual function. Moreover, we use product manifolds and HyperDrop to facilitate the R-HGCNs. The distinctive features of the R-HGCNs are as follows: (1) The hyperbolic residual connection preserves the initial node information in each layer and adds a hyperbolic identity mapping to prevent node features from being indistinguishable. (2) Product manifolds in R-HGCNs have been set up with different origin points in different components to facilitate the extraction of feature information from a wider range of perspectives, which enhances the representing capability of R-HGCNs. (3) HyperDrop adds multiplicative Gaussian noise into hyperbolic representations, such that perturbations can be added to alleviate the over-fitting problem without deconstructing the hyperbolic geometry. Experiment results demonstrate the effectiveness of R-HGCNs under various graph convolution layers and different structures of product manifolds.
- Abstract(参考訳): 双曲グラフ畳み込みネットワーク(HGCN)は階層構造グラフをモデル化する表現能力を実証している。
しかし、一般的なGCNと同様に、モデルレイヤーの数が増加するにつれてオーバースムーシングが発生し、現在のほとんどのHGCNモデルの表現能力が制限される。
本稿では,残余双曲グラフ畳み込みネットワーク(R-HGCN)を提案する。
過度に平滑な問題を克服するために,双曲的残差接続関数を導入するとともに,双曲的残差関数の有効性を理論的に証明する。
さらに、R-HGCN を促進するために積多様体とHyperDrop を用いる。
R-HGCNの特徴的な特徴は次の通りである: 1) 双曲的残差接続は各層における初期ノード情報を保存し、ノードの特徴が識別不能になることを防ぐために双曲的同一性マッピングを追加する。
2) R-HGCN の積多様体は、R-HGCN の表現能力を高めるため、より広い視点から特徴情報の抽出を容易にするために、異なる成分の原点で設定されている。
(3) HyperDrop は双曲表現に乗法的ガウスノイズを加え、双曲幾何を分解することなく過収問題を緩和するために摂動を加えることができる。
実験結果は, 様々なグラフ畳み込み層と積多様体の異なる構造の下でのR-HGCNの有効性を示す。
関連論文リスト
- Point Cloud Denoising With Fine-Granularity Dynamic Graph Convolutional Networks [58.050130177241186]
ノイズの摂動は、しばしば3次元の点雲を破損させ、表面の再構成、レンダリング、さらなる処理といった下流のタスクを妨げる。
本稿では,GDGCNと呼ばれる粒度動的グラフ畳み込みネットワークについて紹介する。
論文 参考訳(メタデータ) (2024-11-21T14:19:32Z) - Continuous Geometry-Aware Graph Diffusion via Hyperbolic Neural PDE [36.48610732998552]
我々は、HPDE積分のための非ユークリッド多様体に対して、電場と流れ、勾配、発散、および拡散率の理論的原理を導入する。
本稿では,ハイパーボリックグラフ拡散方程式 (HGDE) を提案する。
論文 参考訳(メタデータ) (2024-06-03T12:50:58Z) - DeepHGCN: Toward Deeper Hyperbolic Graph Convolutional Networks [21.605755985700615]
我々は,計算効率を劇的に改善し,オーバースムーシングを大幅に削減した,最初のディープ多層HGCNアーキテクチャであるDeepHGCNを提案する。
DeepHGCNは、(1)高速かつ正確な線形マッピングを可能にする新しい双曲的特徴変換層、(2)双曲的残差接続や重みと特徴の正則化のような技術である。
広範囲な実験により、DeepHGCNはユークリッドと浅い双曲GCNの変種と比較してリンク予測とノード分類タスクの大幅な改善を達成している。
論文 参考訳(メタデータ) (2023-10-03T13:10:14Z) - HGCH: A Hyperbolic Graph Convolution Network Model for Heterogeneous Collaborative Graph Recommendation [11.651443951846668]
異種協調グラフに多様な側面情報を統合する協調フィルタリングのための改良されたHGCNモデルを提案する。
その結果,HGCHは競争的な結果が得られ,最上位のベースラインを上回る結果が得られた。
論文 参考訳(メタデータ) (2023-04-06T09:38:54Z) - Stable and Transferable Hyper-Graph Neural Networks [95.07035704188984]
グラフニューラルネットワーク(GNN)を用いたハイパーグラフでサポートする信号処理アーキテクチャを提案する。
スペクトル類似性により任意のグラフにまたがってGNNの安定性と転送可能性の誤差をバウンドするフレームワークを提供する。
論文 参考訳(メタデータ) (2022-11-11T23:44:20Z) - Clenshaw Graph Neural Networks [14.8308791628821]
グラフ畳み込みネットワーク(GCN)は、グラフ表現を学習するための基礎的な方法である。
既存の残差接続技術は、基礎となるグラフ構造を広範囲に活用することができない。
本稿では,GCNモデルの表現性を高めるために,Clenshaw Summationアルゴリズムを用いたGNNモデルであるClenshawGCNを紹介する。
論文 参考訳(メタデータ) (2022-10-29T06:32:39Z) - ACE-HGNN: Adaptive Curvature Exploration Hyperbolic Graph Neural Network [72.16255675586089]
本稿では、入力グラフと下流タスクに基づいて最適な曲率を適応的に学習する適応曲率探索ハイパーボリックグラフニューラルネットワークACE-HGNNを提案する。
複数の実世界のグラフデータセットの実験は、競争性能と優れた一般化能力を備えたモデル品質において、顕著で一貫したパフォーマンス改善を示す。
論文 参考訳(メタデータ) (2021-10-15T07:18:57Z) - Lorentzian Graph Convolutional Networks [47.41609636856708]
Lorentzian graph Convolutional Network (LGCN) と呼ばれる新しい双曲グラフ畳み込みネットワーク(LGCN)を提案する。
LGCNは、学習ノードが双曲幾何学に従うことを厳格に保証している。
6つのデータセットにおける実験により、lgcnは最先端の手法よりも優れた性能を示す。
論文 参考訳(メタデータ) (2021-04-15T14:14:25Z) - A Hyperbolic-to-Hyperbolic Graph Convolutional Network [46.80564170208473]
H2H-GCN(hyperbolic-to-hyperbolic graph Convolutional Network)を提案する。
H2H-GCNは、リンク予測、ノード分類、グラフ分類タスクを大幅に改善する。
論文 参考訳(メタデータ) (2021-04-14T16:09:27Z) - Cross-GCN: Enhancing Graph Convolutional Network with $k$-Order Feature
Interactions [153.6357310444093]
Graph Convolutional Network(GCN)は,グラフデータの学習と推論を行う新興技術である。
我々は、GCNの既存の設計がクロスフィーチャをモデリングし、クロスフィーチャが重要であるタスクやデータに対してGCNの効率を損なうことを論じている。
我々は、任意の次交叉特徴を、特徴次元と順序サイズに線形に複雑にモデル化した、クロスフィーチャーグラフ畳み込みという新しい演算子を設計する。
論文 参考訳(メタデータ) (2020-03-05T13:05:27Z)
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。