論文の概要: Enhancing Graph Representation Learning with Localized Topological Features
- arxiv url: http://arxiv.org/abs/2501.09178v1
- Date: Wed, 15 Jan 2025 22:12:27 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-01-17 15:09:10.216913
- Title: Enhancing Graph Representation Learning with Localized Topological Features
- Title（参考訳）: 局所的位相特徴を用いたグラフ表現学習の強化
- Authors: Zuoyu Yan, Qi Zhao, Ze Ye, Tengfei Ma, Liangcai Gao, Zhi Tang, Yusu Wang, Chao Chen,
- Abstract要約: 永続ホモロジー理論に基づいてグラフのリッチ接続情報を抽出する原理的手法を提案する。
本手法は,グラフニューラルネットワークの表現学習を強化するためにトポロジ的特徴を利用する。
- 参考スコア（独自算出の注目度）: 29.562627708301694
- License:
- Abstract: Representation learning on graphs is a fundamental problem that can be crucial in various tasks. Graph neural networks, the dominant approach for graph representation learning, are limited in their representation power. Therefore, it can be beneficial to explicitly extract and incorporate high-order topological and geometric information into these models. In this paper, we propose a principled approach to extract the rich connectivity information of graphs based on the theory of persistent homology. Our method utilizes the topological features to enhance the representation learning of graph neural networks and achieve state-of-the-art performance on various node classification and link prediction benchmarks. We also explore the option of end-to-end learning of the topological features, i.e., treating topological computation as a differentiable operator during learning. Our theoretical analysis and empirical study provide insights and potential guidelines for employing topological features in graph learning tasks.
- Abstract（参考訳）: グラフ上の表現学習は、様々なタスクにおいて不可欠となる基本的な問題である。
グラフ表現学習の主要なアプローチであるグラフニューラルネットワークは、その表現能力に制限がある。
したがって、これらのモデルに高次トポロジカルおよび幾何学的情報を明示的に抽出し、組み込むことは有益である。
本稿では,永続的ホモロジーの理論に基づいて,グラフのリッチ接続情報を抽出する手法を提案する。
提案手法は,グラフニューラルネットワークの表現学習を強化し,様々なノード分類およびリンク予測ベンチマークにおける最先端性能を実現するために,トポロジ的特徴を利用する。
また、トポロジカルな特徴、すなわち、学習中にトポロジカルな計算を微分可能な演算子として扱うことのエンド・ツー・エンドな学習オプションについても検討する。
我々の理論的分析と実証的研究は、グラフ学習タスクにトポロジ的特徴を活用するための洞察と潜在的ガイドラインを提供する。
関連論文リスト
- TopER: Topological Embeddings in Graph Representation Learning [8.052380377159398]
トポロジカル進化速度 (TopER) は、トポロジカルデータ解析に基づく低次元埋め込み手法である。
TopERはグラフ部分構造の進化率を計算することによって、重要な位相的アプローチである永続化ホモロジーを単純化する。
我々のモデルは、分類、クラスタリング、可視化といったタスクにおいて、分子、生物学的、ソーシャルネットワークのデータセットにまたがる最先端の結果を達成したり、超えたりします。
論文 参考訳（メタデータ） (2024-10-02T17:31:33Z) - Characterizing the Influence of Topology on Graph Learning Tasks [47.48010635921621]
グラフニューラルネットワーク(GNN)は、トポロジと組み合わせて効率的な表現を生成することで、幅広いタスクにおいて顕著な成功を収めている。
本稿では,グラフデータのトポロジ情報と下流タスク目標との整合度を測定することで,グラフトポロジの影響を特徴づける計量TopoInfを提案する。
論文 参考訳（メタデータ） (2024-04-11T06:04:06Z) - Joint Feature and Differentiable $ k $-NN Graph Learning using Dirichlet
Energy [103.74640329539389]
特徴選択と識別可能な$k $-NNグラフ学習を同時に行うディープFS法を提案する。
我々は、ニューラルネットワークで$ k $-NNグラフを学習する際の非微分可能性問題に対処するために、最適輸送理論を用いる。
本モデルの有効性を,合成データセットと実世界のデータセットの両方で広範な実験により検証する。
論文 参考訳（メタデータ） (2023-05-21T08:15:55Z) - A Theory of Link Prediction via Relational Weisfeiler-Leman on Knowledge
Graphs [6.379544211152605]
グラフニューラルネットワークは、グラフ構造化データ上での表現学習のための顕著なモデルである。
私たちの目標は、知識グラフのためのグラフニューラルネットワークのランドスケープを体系的に理解することです。
論文 参考訳（メタデータ） (2023-02-04T17:40:03Z) - State of the Art and Potentialities of Graph-level Learning [54.68482109186052]
グラフレベルの学習は、比較、回帰、分類など、多くのタスクに適用されている。
グラフの集合を学習する伝統的なアプローチは、サブストラクチャのような手作りの特徴に依存している。
ディープラーニングは、機能を自動的に抽出し、グラフを低次元表現に符号化することで、グラフレベルの学習をグラフの規模に適応させるのに役立っている。
論文 参考訳（メタデータ） (2023-01-14T09:15:49Z) - Heterogeneous Graph Neural Networks using Self-supervised Reciprocally
Contrastive Learning [102.9138736545956]
不均一グラフニューラルネットワーク(HGNN)は異種グラフのモデリングと解析において非常に一般的な手法である。
我々は,ノード属性とグラフトポロジの各ガイダンスに関する2つの視点を取り入れた,新規で頑健なヘテロジニアスグラフコントラスト学習手法であるHGCLを初めて開発する。
この新しいアプローチでは,属性とトポロジに関連情報を別々にマイニングする手法として,異なるが最も適した属性とトポロジの融合機構を2つの視点に適用する。
論文 参考訳（メタデータ） (2022-04-30T12:57:02Z) - 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) - Learning Connectivity with Graph Convolutional Networks for
Skeleton-based Action Recognition [14.924672048447338]
グラフのトポロジ特性を学習するグラフ畳み込みネットワークのための新しいフレームワークを提案する。
本手法の設計原理は制約対象関数の最適化に基づいている。
骨格に基づく行動認識の課題に対して行った実験は,提案手法の優位性を示している。
論文 参考訳（メタデータ） (2021-12-06T19:43:26Z) - 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) - 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。
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。