Fugu-MT 論文翻訳(概要): Introduction to Graph Neural Networks: A Starting Point for Machine Learning Engineers

論文の概要: Introduction to Graph Neural Networks: A Starting Point for Machine Learning Engineers

arxiv url: http://arxiv.org/abs/2412.19419v1
Date: Fri, 27 Dec 2024 03:13:02 GMT
ステータス: 翻訳完了
システム内更新日: 2024-12-30 17:28:33.395504
Title: Introduction to Graph Neural Networks: A Starting Point for Machine Learning Engineers
Title（参考訳）: グラフニューラルネットワーク入門 - 機械学習エンジニアの出発点
Authors: James H. Tanis, Chris Giannella, Adrian V. Mariano,
Abstract要約: グラフニューラルネットワークは、ノードやエッジにアタッチされた属性を持つグラフ用に設計されたディープニューラルネットワークである。本調査では,エンコーダ-デコーダフレームワークを通じてグラフニューラルネットワークを導入し,さまざまなグラフ解析タスクに対するデコーダの例を示す。
参考スコア（独自算出の注目度）: 0.0
License:
Abstract: Graph neural networks are deep neural networks designed for graphs with attributes attached to nodes or edges. The number of research papers in the literature concerning these models is growing rapidly due to their impressive performance on a broad range of tasks. This survey introduces graph neural networks through the encoder-decoder framework and provides examples of decoders for a range of graph analytic tasks. It uses theory and numerous experiments on homogeneous graphs to illustrate the behavior of graph neural networks for different training sizes and degrees of graph complexity.
Abstract（参考訳）: グラフニューラルネットワークは、ノードやエッジにアタッチされた属性を持つグラフ用に設計されたディープニューラルネットワークである。これらのモデルに関する文献の数は、幅広いタスクにおける印象的なパフォーマンスのために急速に増加している。本調査では,エンコーダ-デコーダフレームワークを通じてグラフニューラルネットワークを導入し,さまざまなグラフ解析タスクに対するデコーダの例を示す。等質グラフに関する理論や多くの実験を用いて、異なるトレーニングサイズとグラフ複雑性の度合いのグラフニューラルネットワークの挙動を記述している。

関連論文リスト

Graphs Unveiled: Graph Neural Networks and Graph Generation [0.0]
本稿では,グラフニューラルネットワーク(GNN)の概要を紹介する。様々な領域にわたるグラフニューラルネットワークの適用について論じる。我々は,グラフ生成という,GNNの先進的な分野を提示する。
論文参考訳（メタデータ） (2024-03-18T14:37:27Z)
A Survey on Graph Classification and Link Prediction based on GNN [11.614366568937761]
本稿では,グラフ畳み込みニューラルネットワークの世界について述べる。グラフ畳み込みニューラルネットワークの基礎を詳述する。注意機構とオートエンコーダに基づいて、グラフニューラルネットワークモデルを解明する。
論文参考訳（メタデータ） (2023-07-03T09:08:01Z)
Knowledge Enhanced Graph Neural Networks for Graph Completion [0.0]
Knowledge Enhanced Graph Neural Networks (KeGNN)は、グラフ補完のためのニューラルシンボリックなフレームワークである。 KeGNNは、知識強化レイヤを積み重ねた基盤としてグラフニューラルネットワークで構成されている。我々はKeGNNを、最先端のグラフニューラルネットワーク、グラフ畳み込みネットワーク、グラフ注意ネットワークの2つと組み合わせてインスタンス化する。
論文参考訳（メタデータ） (2023-03-27T07:53:43Z)
Learning Graph Structure from Convolutional Mixtures [119.45320143101381]
本稿では、観測されたグラフと潜伏グラフのグラフ畳み込み関係を提案し、グラフ学習タスクをネットワーク逆(デコンボリューション)問題として定式化する。固有分解に基づくスペクトル法の代わりに、近似勾配反復をアンロール・トランケートして、グラフデコンボリューションネットワーク(GDN)と呼ばれるパラメータ化ニューラルネットワークアーキテクチャに到達させる。 GDNは、教師付き方式でグラフの分布を学習し、損失関数を適応させることでリンク予測やエッジウェイト回帰タスクを実行し、本質的に帰納的である。
論文参考訳（メタデータ） (2022-05-19T14:08:15Z)
Hyperbolic Graph Neural Networks: A Review of Methods and Applications [55.5502008501764]
グラフニューラルネットワークは、従来のニューラルネットワークをグラフ構造化データに一般化する。グラフ関連学習におけるユークリッドモデルの性能は、ユークリッド幾何学の表現能力によって依然として制限されている。近年,木のような構造を持つグラフデータ処理や,ゆるい分布の処理において,双曲空間が人気が高まっている。
論文参考訳（メタデータ） (2022-02-28T15:08:48Z)
Capsule Graph Neural Networks with EM Routing [8.632437524560133]
本稿では、EMルーティング機構(CapsGNNEM)を用いて、高品質なグラフ埋め込みを生成する新しいCapsule Graph Neural Networkを提案する。多くの実世界のグラフデータセットに対する実験結果から、提案したCapsGNNEMはグラフ分類タスクにおいて9つの最先端モデルより優れていることが示された。
論文参考訳（メタデータ） (2021-10-18T06:23:37Z)
Increase and Conquer: Training Graph Neural Networks on Growing Graphs [116.03137405192356]
本稿では,このグラフからBernoulliをサンプリングしたグラフ上でGNNをトレーニングすることで,WNN(Graphon Neural Network)を学習する問題を考察する。これらの結果から着想を得た大規模グラフ上でGNNを学習するアルゴリズムを提案する。
論文参考訳（メタデータ） (2021-06-07T15:05:59Z)
Bosonic Random Walk Networks for Graph Learning [32.24009574184356]
グラフにまたがる拡散情報に対する多粒子量子ウォークの適用を検討する。我々のモデルは、グラフ上の量子ランダムウォーカーのダイナミクスを制御する演算子の学習に基づいている。分類および回帰作業における本手法の有効性を実証する。
論文参考訳（メタデータ） (2020-12-31T21:40:40Z)
Towards Deeper Graph Neural Networks [63.46470695525957]
グラフ畳み込みは近傍の集約を行い、最も重要なグラフ操作の1つである。いくつかの最近の研究で、この性能劣化は過度に滑らかな問題に起因している。本研究では,大きな受容領域からの情報を適応的に組み込むディープ適応グラフニューラルネットワーク(DAGNN)を提案する。
論文参考訳（メタデータ） (2020-07-18T01:11:14Z)
Graph Structure of Neural Networks [104.33754950606298]
ニューラルネットワークのグラフ構造が予測性能にどのように影響するかを示す。リレーショナルグラフの"スイートスポット"は、予測性能を大幅に改善したニューラルネットワークにつながる。トップパフォーマンスニューラルネットワークは、実際の生物学的ニューラルネットワークと驚くほどよく似たグラフ構造を持つ。
論文参考訳（メタデータ） (2020-07-13T17:59:31Z)
GCC: Graph Contrastive Coding for Graph Neural Network Pre-Training [62.73470368851127]
グラフ表現学習は現実世界の問題に対処する強力な手法として登場した。自己教師付きグラフニューラルネットワーク事前トレーニングフレームワークであるGraph Contrastive Codingを設計する。 3つのグラフ学習タスクと10のグラフデータセットについて実験を行った。
論文参考訳（メタデータ） (2020-06-17T16:18:35Z)

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。