論文の概要: GraSP: Simple yet Effective Graph Similarity Predictions

• arxiv url: http://arxiv.org/abs/2412.09968v1
• Date: Fri, 13 Dec 2024 08:55:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-16 15:02:11.947332
• Title: GraSP: Simple yet Effective Graph Similarity Predictions
• Title（参考訳）: GraSP: 単純だが効果的なグラフ類似性予測
• Authors: Haoran Zheng, Jieming Shi, Renchi Yang,
• Abstract要約: グラフ類似性計算 (GSC) とは、1組のグラフ間の類似性を計算することである。 GraSP は、GED および MCS 予測のための単純だが効果的な GSC アプローチである。
• 参考スコア（独自算出の注目度）: 5.67358865525237
• License:
• Abstract: Graph similarity computation (GSC) is to calculate the similarity between one pair of graphs, which is a fundamental problem with fruitful applications in the graph community. In GSC, graph edit distance (GED) and maximum common subgraph (MCS) are two important similarity metrics, both of which are NP-hard to compute. Instead of calculating the exact values, recent solutions resort to leveraging graph neural networks (GNNs) to learn data-driven models for the estimation of GED and MCS. Most of them are built on components involving node-level interactions crossing graphs, which engender vast computation overhead but are of little avail in effectiveness. In the paper, we present GraSP, a simple yet effective GSC approach for GED and MCS prediction. GraSP achieves high result efficacy through several key instruments: enhanced node features via positional encoding and a GNN model augmented by a gating mechanism, residual connections, as well as multi-scale pooling. Theoretically, GraSP can surpass the 1-WL test, indicating its high expressiveness. Empirically, extensive experiments comparing GraSP against 10 competitors on multiple widely adopted benchmark datasets showcase the superiority of GraSP over prior arts in terms of both effectiveness and efficiency. The code is available at https://github.com/HaoranZ99/GraSP.
• Abstract（参考訳）: グラフ類似性計算(GSC)は、グラフコミュニティにおける実りあるアプリケーションの基本問題である1組のグラフ間の類似性を計算することである。 GSCでは、グラフ編集距離(GED)と最大共通部分グラフ(MCS)は2つの重要な類似性指標であり、どちらも計算にNPハードである。 正確な値を計算する代わりに、近年のソリューションでは、グラフニューラルネットワーク(GNN)を活用して、GEDとMCSを推定するためのデータ駆動モデルを学ぶ。 多くはノードレベルの相互作用がグラフを横断するコンポーネント上に構築されており、これは膨大な計算オーバーヘッドを発生させるが、有効性はほとんどない。 本稿では,GED と MCS 予測のための簡易かつ効果的な GSC アプローチである GraSP を提案する。 GraSPは、位置符号化による強化ノード特徴と、ゲーティング機構によって強化されたGNNモデル、残留接続、マルチスケールプーリングなど、いくつかの主要な機器によって高い結果効率を達成する。 理論的には、GraSPは1-WLテストを超えることができ、高い表現性を示す。 実験的に、複数の広く採用されているベンチマークデータセット上で、GraSPと10の競合他社を比較した広範な実験は、効果と効率の両面で、GraSPが先行技術よりも優れていることを示している。 コードはhttps://github.com/HaoranZ99/GraSPで入手できる。

関連論文リスト

• GNN-Transformer Cooperative Architecture for Trustworthy Graph Contrastive Learning [20.54767504966887]
  グラフ表現学習(GCL)は、グラフ表現学習の分野でホットな話題となっている。 本稿では,信頼できるグラフコントラスト学習のためのGNN変換器協調アーキテクチャを提案する。
  論文  参考訳（メタデータ） (2024-12-18T09:20:12Z)
• Amplify Graph Learning for Recommendation via Sparsity Completion [16.32861024767423]
  グラフ学習モデルは、協調フィルタリング(CF)ベースのレコメンデーションシステムに広くデプロイされている。 データ疎度の問題により、元の入力のグラフ構造は潜在的な肯定的な嗜好エッジを欠いている。 AGL-SC(Amplify Graph Learning framework)を提案する。
  論文  参考訳（メタデータ） (2024-06-27T08:26:20Z)
• What Can We Learn from State Space Models for Machine Learning on Graphs? [11.38076877943004]
  グラフ構造化データに対する状態空間モデル(SSM)の原則拡張として,グラフ状態空間畳み込み(GSSC)を提案する。 グローバルな置換同変集合アグリゲーションと分解可能なグラフカーネルを活用することにより、GSSCはSSMの3つの利点を全て保持する。 グラフ機械学習のパワフルでスケーラブルなモデルとしてのGSSCの可能性を明らかにする。
  論文  参考訳（メタデータ） (2024-06-09T15:03:36Z)
• EXGC: Bridging Efficiency and Explainability in Graph Condensation [30.60535282372542]
  グラフ凝縮(GCond)は、大規模な実データセットをより簡潔で情報に富んだ合成グラフに蒸留するために導入された。 アクセラレーションの努力にもかかわらず、既存のGCondメソッドは主に効率、特に拡張Webデータグラフに適応する。 本稿では,効率を著しく向上し,説明可能性の注入が可能な,効率的かつeXplainable Graph Condensation法を提案する。
  論文  参考訳（メタデータ） (2024-02-05T06:03:38Z)
• A Comprehensive Study on Large-Scale Graph Training: Benchmarking and Rethinking [124.21408098724551]
  グラフニューラルネットワーク(GNN)の大規模グラフトレーニングは、非常に難しい問題である 本稿では,既存の問題に対処するため,EnGCNという新たなアンサンブルトレーニング手法を提案する。 提案手法は,大規模データセット上でのSOTA(State-of-the-art)の性能向上を実現している。
  論文  参考訳（メタデータ） (2022-10-14T03:43:05Z)
• GraphCoCo: Graph Complementary Contrastive Learning [65.89743197355722]
  グラフコントラスト学習(GCL)は、手作業によるアノテーションの監督なしに、グラフ表現学習(GRL)において有望な性能を示した。 本稿では,この課題に対処するため,グラフココというグラフ補完型コントラスト学習手法を提案する。
  論文  参考訳（メタデータ） (2022-03-24T02:58:36Z)
• Training Free Graph Neural Networks for Graph Matching [103.45755859119035]
  TFGMは、グラフニューラルネットワーク(GNN)ベースのグラフマッチングのパフォーマンスをトレーニングなしで向上するフレームワークである。 TFGMをさまざまなGNNに適用することは、ベースラインよりも有望な改善を示している。
  論文  参考訳（メタデータ） (2022-01-14T09:04:46Z)
• MGAE: Masked Autoencoders for Self-Supervised Learning on Graphs [55.66953093401889]
  Masked Graph Autoencoder (MGAE) フレームワークは、グラフ構造データの効果的な学習を行う。 自己指導型学習から洞察を得て、私たちはランダムに大量のエッジを隠蔽し、トレーニング中に欠落したエッジを再構築しようとします。
  論文  参考訳（メタデータ） (2022-01-07T16:48:07Z)
• Node Feature Extraction by Self-Supervised Multi-scale Neighborhood Prediction [123.20238648121445]
  我々は、新しい自己教師型学習フレームワーク、グラフ情報支援ノード機能exTraction (GIANT)を提案する。 GIANT は eXtreme Multi-label Classification (XMC) 形式を利用しており、これはグラフ情報に基づいた言語モデルの微調整に不可欠である。 我々は,Open Graph Benchmarkデータセット上での標準GNNパイプラインよりもGIANTの方が優れた性能を示す。
  論文  参考訳（メタデータ） (2021-10-29T19:55:12Z)
• A Unified Lottery Ticket Hypothesis for Graph Neural Networks [82.31087406264437]
  本稿では,グラフ隣接行列とモデルの重み付けを同時に行う統一GNNスペーシフィケーション(UGS)フレームワークを提案する。 グラフ宝くじ(GLT)をコアサブデータセットとスパースサブネットワークのペアとして定義することにより、人気のある宝くじチケット仮説を初めてGNNsにさらに一般化します。
  論文  参考訳（メタデータ） (2021-02-12T21:52:43Z)
• CoSimGNN: Towards Large-scale Graph Similarity Computation [5.17905821006887]
  グラフニューラルネットワーク(GNN)はこのタスクにデータ駆動型ソリューションを提供する。 既存のGNNベースの手法は、それぞれ2つのグラフを埋め込んだり、グラフ全体のクロスグラフインタラクションをデプロイしたりするが、まだ競合する結果が得られない。 このフレームワークは,まず適応的なプーリング操作で大きなグラフを埋め込んで粗くし,最後に類似点を求めるために粗いグラフにきめ細かな相互作用を展開させる。
  論文  参考訳（メタデータ） (2020-05-14T16:33:13Z)

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。