論文の概要: ERGNN: Spectral Graph Neural Network With Explicitly-Optimized Rational Graph Filters

• arxiv url: http://arxiv.org/abs/2412.19106v2
• Date: Thu, 16 Jan 2025 10:29:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-17 21:49:14.621092
• Title: ERGNN: Spectral Graph Neural Network With Explicitly-Optimized Rational Graph Filters
• Title（参考訳）: ERGNN: 明示的最適化レーショナルグラフフィルタを用いたスペクトルグラフニューラルネットワーク
• Authors: Guoming Li, Jian Yang, Shangsong Liang,
• Abstract要約: 本稿では,有理フィルタを明示的に最適化した新しいスペクトルグラフニューラルネットワーク(ERGNN)を提案する。 ERGNNは、入力信号に数値フィルタと分母フィルタを順次適用する、ユニークな2段階のフレームワークを採用している。 ERGNNが最先端の手法よりも優れていることを検証する実験により、理性ベースのGNNをデプロイするための実用的なソリューションとして確立された。
• 参考スコア（独自算出の注目度）: 24.74425379853727
• License:
• Abstract: Approximation-based spectral graph neural networks, which construct graph filters with function approximation, have shown substantial performance in graph learning tasks. Despite their great success, existing works primarily employ polynomial approximation to construct the filters, whereas another superior option, namely ration approximation, remains underexplored. Although a handful of prior works have attempted to deploy the rational approximation, their implementations often involve intensive computational demands or still resort to polynomial approximations, hindering full potential of the rational graph filters. To address the issues, this paper introduces ERGNN, a novel spectral GNN with explicitly-optimized rational filter. ERGNN adopts a unique two-step framework that sequentially applies the numerator filter and the denominator filter to the input signals, thus streamlining the model paradigm while enabling explicit optimization of both numerator and denominator of the rational filter. Extensive experiments validate the superiority of ERGNN over state-of-the-art methods, establishing it as a practical solution for deploying rational-based GNNs.
• Abstract（参考訳）: 関数近似を用いたグラフフィルタを構成する近似ベースのスペクトルグラフニューラルネットワークは、グラフ学習タスクにおいてかなりの性能を示した。 その大きな成功にもかかわらず、既存の研究は主に多項式近似を用いてフィルタを構成するが、もう1つの優れた選択肢、すなわちレーション近似は未探索のままである。 幾らかの先行研究が有理グラフの近似を展開しようとしたが、それらの実装はしばしば計算の集約的な要求や多項式近似に頼り、有理グラフフィルタのポテンシャルを損なう。 そこで本研究では,有理フィルタを明示的に最適化した新しいスペクトルGNNであるERGNNを紹介する。 ERGNNは、入力信号に数値フィルタと分母フィルタを順次適用し、モデルパラダイムの合理化を実現しつつ、有理フィルタの数値フィルタと分母の両方の明示的な最適化を実現している。 ERGNNが最先端の手法よりも優れていることを実証し、合理的なGNNをデプロイするための実用的なソリューションとして確立した。

関連論文リスト

• Large-Scale Spectral Graph Neural Networks via Laplacian Sparsification: Technical Report [21.288230563135055]
  スペクトルグラフニューラルネットワーク(GNN)の伝搬パターンを近似する新しいグラフスペクトルスカラー化法を提案する。 提案手法では,入力ノード機能に線形レイヤを適用でき,エンドツーエンドのトレーニングや生の機能の処理が可能となる。
  論文  参考訳（メタデータ） (2025-01-08T15:36:19Z)
• Generalized Learning of Coefficients in Spectral Graph Convolutional Networks [5.5711773076846365]
  スペクトルグラフ畳み込みネットワーク(GCN)は、グラフ機械学習アプリケーションで人気を集めている。 G-Arnoldi-GCNは、適切な関数が採用された場合、常に最先端の手法より優れている。
  論文  参考訳（メタデータ） (2024-09-07T12:53:44Z)
• GrassNet: State Space Model Meets Graph Neural Network [57.62885438406724]
  Graph State Space Network (GrassNet)は、任意のグラフスペクトルフィルタを設計するためのシンプルで効果的なスキームを提供する理論的なサポートを持つ、新しいグラフニューラルネットワークである。 我々の知る限り、我々の研究はグラフGNNスペクトルフィルタの設計にSSMを使った最初のものである。 9つの公開ベンチマークでの大規模な実験により、GrassNetは現実世界のグラフモデリングタスクにおいて優れたパフォーマンスを達成することが明らかになった。
  論文  参考訳（メタデータ） (2024-08-16T07:33:58Z)
• Spatio-Spectral Graph Neural Networks [50.277959544420455]
  比スペクトルグラフネットワーク(S$2$GNN)を提案する。 S$2$GNNは空間的およびスペクトル的にパラメータ化されたグラフフィルタを組み合わせる。 S$2$GNNsは、MPGNNsよりも厳密な近似理論誤差境界を生じる。
  論文  参考訳（メタデータ） (2024-05-29T14:28:08Z)
• Polynomial Selection in Spectral Graph Neural Networks: An Error-Sum of Function Slices Approach [26.79625547648669]
  グラフフィルタの適用により、グラフニューラルネットワークに固有のスペクトル情報を活用するために、スペクトルグラフネットワークが提案されている。 様々な選択がスペクトルGNNの性能に大きな影響を与え、パラメータ選択の重要性が強調される。 我々は、狭帯域信号スライスを近似する選択肢として広く採用されている三角法に基づく高度なフィルタを開発した。
  論文  参考訳（メタデータ） (2024-04-15T11:35:32Z)
• Relation Embedding based Graph Neural Networks for Handling Heterogeneous Graph [58.99478502486377]
  我々は、同種GNNが不均一グラフを扱うのに十分な能力を持つように、シンプルで効率的なフレームワークを提案する。 具体的には、エッジ型関係と自己ループ接続の重要性を埋め込むために、関係1つのパラメータのみを使用する関係埋め込みベースのグラフニューラルネットワーク(RE-GNN)を提案する。
  論文  参考訳（メタデータ） (2022-09-23T05:24:18Z)
• Graph Neural Networks with Adaptive Frequency Response Filter [55.626174910206046]
  適応周波数応答フィルタを用いたグラフニューラルネットワークフレームワークAdaGNNを開発した。 提案手法の有効性を,様々なベンチマークデータセット上で実証的に検証した。
  論文  参考訳（メタデータ） (2021-04-26T19:31:21Z)
• Unrolling of Deep Graph Total Variation for Image Denoising [106.93258903150702]
  本稿では,従来のグラフ信号フィルタリングと深い特徴学習を併用して,競合するハイブリッド設計を提案する。 解釈可能な低パスグラフフィルタを用い、最先端のDL復調方式DnCNNよりも80%少ないネットワークパラメータを用いる。
  論文  参考訳（メタデータ） (2020-10-21T20:04:22Z)
• Framework for Designing Filters of Spectral Graph Convolutional Neural Networks in the Context of Regularization Theory [1.0152838128195467]
  グラフ畳み込みニューラルネットワーク(GCNN)はグラフ学習に広く利用されている。 グラフ上の滑らかさ関数はグラフラプラシアンの言葉で定義できる。 本稿では,グラフラプラシアンの正規化特性について検討し,スペクトルGCNNにおける正規化フィルタ設計のための一般化されたフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-09-29T06:19:08Z)
• Dependency Aware Filter Pruning [74.69495455411987]
  重要でないフィルタを割ることは、推論コストを軽減するための効率的な方法である。 以前の作業は、その重み基準やそれに対応するバッチノームスケーリング要因に従ってフィルタをプルークする。 所望の空間性を達成するために,空間性誘導正規化を動的に制御する機構を提案する。
  論文  参考訳（メタデータ） (2020-05-06T07:41:22Z)

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。