論文の概要: BN-Pool: a Bayesian Nonparametric Approach to Graph Pooling

• arxiv url: http://arxiv.org/abs/2501.09821v1
• Date: Thu, 16 Jan 2025 20:15:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-20 13:58:53.343107
• Title: BN-Pool: a Bayesian Nonparametric Approach to Graph Pooling
• Title（参考訳）: BN-Pool:グラフポーリングに対するベイズ的非パラメトリックアプローチ
• Authors: Daniele Castellana, Filippo Maria Bianchi,
• Abstract要約: グラフニューラルネットワーク(GNN)のための最初のクラスタリングに基づくプール手法BN-Poolを紹介する。 BN-Pool は粗いグラフ内のスーパーノードの数を適応的に決定する。 BN-Poolは多種多様なベンチマークにおいて優れた性能を示す。
• 参考スコア（独自算出の注目度）: 6.952045528182883
• License:
• Abstract: We introduce BN-Pool, the first clustering-based pooling method for Graph Neural Networks (GNNs) that adaptively determines the number of supernodes in a coarsened graph. By leveraging a Bayesian non-parametric framework, BN-Pool employs a generative model capable of partitioning graph nodes into an unbounded number of clusters. During training, we learn the node-to-cluster assignments by combining the supervised loss of the downstream task with an unsupervised auxiliary term, which encourages the reconstruction of the original graph topology while penalizing unnecessary proliferation of clusters. This adaptive strategy allows BN-Pool to automatically discover an optimal coarsening level, offering enhanced flexibility and removing the need to specify sensitive pooling ratios. We show that BN-Pool achieves superior performance across diverse benchmarks.
• Abstract（参考訳）: BN-Poolはグラフニューラルネットワーク(GNN)の最初のクラスタリングに基づくプール方式で、粗いグラフ内のスーパーノード数を適応的に決定する。 ベイズ的な非パラメトリックフレームワークを利用することで、BN-Poolはグラフノードを非有界な数のクラスタに分割できる生成モデルを採用している。 トレーニング中,ダウンストリームタスクの教師付き損失と教師なし補助項を組み合わせてノード・クラスタ割り当てを学習し,クラスタの不要な拡散をペナルティ化しながら,元のグラフトポロジの再構築を促進する。 この適応戦略により、BN-Poolは最適な粗大化レベルを自動的に発見し、柔軟性を向上し、敏感なプール比を指定する必要がなくなる。 BN-Poolは多種多様なベンチマークにおいて優れた性能を示す。

関連論文リスト

• Tackling Oversmoothing in GNN via Graph Sparsification: A Truss-based Approach [1.4854797901022863]
  本稿では,グラフの高密度領域からエッジを抽出する新鮮で柔軟なトラスグラフスペーシフィケーションモデルを提案する。 次に、GIN、SAGPool、GMT、DiffPool、MinCutPool、HGP-SL、DMonPool、AdamGNNといった最先端のベースラインGNNとプールモデルでスパーシフィケーションモデルを利用する。
  論文  参考訳（メタデータ） (2024-07-16T17:21:36Z)
• ENADPool: The Edge-Node Attention-based Differentiable Pooling for Graph Neural Networks [19.889547537748395]
  グラフニューラルネットワーク(GNN)は、グラフ分類のための強力なツールである。 GNNにとって重要な操作の1つは、ノード表現から効果的な埋め込みを学習できるダウンサンプリングまたはプールである。 We propose a new Hierarchical pooling operation、すなわち Edge-Node Attention-based Differentiable Pooling (ENADPool)を提案する。
  論文  参考訳（メタデータ） (2024-05-16T16:08:49Z)
• Cluster-based Graph Collaborative Filtering [55.929052969825825]
  グラフ畳み込みネットワーク(GCN)は、レコメンデーションシステムのためのユーザおよびアイテム表現の学習に成功している。 既存のGCNベースのほとんどのメソッドは、高階グラフ畳み込みを実行しながら、ユーザの複数の関心事を見落としている。 クラスタベースグラフ協調フィルタリング(ClusterGCF)と呼ばれる新しいGCNベースのレコメンデーションモデルを提案する。
  論文  参考訳（メタデータ） (2024-04-16T07:05:16Z)
• Careful Selection and Thoughtful Discarding: Graph Explicit Pooling Utilizing Discarded Nodes [53.08068729187698]
  本稿では,ノードと最終表現ベクトルの関係を明示的に活用してノードを選択するグラフ明示プール法を提案する。 提案手法の有効性を検証するため,12種類の広く使用されているデータセットを対象とした総合的な実験を行った。
  論文  参考訳（メタデータ） (2023-11-21T14:44:51Z)
• Curvature-based Pooling within Graph Neural Networks [3.1733862899654643]
  オーバー・スクワッシングとオーバー・スムースティングはグラフニューラルネットワーク(GNN)の機能を制限する CurvPoolはグラフの曲率の概念を利用して、オーバー・スムーシングとオーバー・スカッシングの両方の原因となる構造を適応的に識別する。 我々は、他の最先端のプーリング手法と比較し、分類精度、計算複雑性、柔軟性の観点からその競争力を確立する。
  論文  参考訳（メタデータ） (2023-08-31T08:00:08Z)
• Edge-aware Hard Clustering Graph Pooling for Brain Imaging [8.425787611090776]
  本稿では,エッジ対応のハードクラスタリンググラフプール(EHCPool)を提案する。 EHCPoolは、データ駆動の観点から異なるタイプの機能不全脳ネットワークを探索する可能性がある。
  論文  参考訳（メタデータ） (2023-08-23T04:29:40Z)
• Dink-Net: Neural Clustering on Large Graphs [59.10189693120368]
  ディープグラフクラスタリング法 (Dink-Net) は, 拡張と縮小という概念を用いて提案される。 ノードを識別することにより、拡張によって劣化しても、表現は自己教師された方法で学習される。 クラスタリング分布は、提案したクラスタ拡張損失とクラスタ縮小損失を最小化することにより最適化される。 ランナアップと比較して、Dink-Net 9.62%は1100万ノードと16億エッジを持つogbn-papers100MデータセットでNMIの改善を実現している。
  論文  参考訳（メタデータ） (2023-05-28T15:33:24Z)
• Higher-order Clustering and Pooling for Graph Neural Networks [77.47617360812023]
  グラフニューラルネットワークは、多数のグラフ分類タスクにおいて最先端のパフォーマンスを達成する。 HoscPoolはクラスタリングベースのグラフプーリング演算子で、階層的に高階情報をキャプチャする。 グラフ分類タスクにおいてHoscPoolを評価し,そのクラスタリングコンポーネントを地層構造を持つグラフ上で評価する。
  論文  参考訳（メタデータ） (2022-09-02T09:17:10Z)
• AdaPool: Exponential Adaptive Pooling for Information-Retaining Downsampling [82.08631594071656]
  畳み込み層は畳み込みニューラルネットワーク(CNN)の重要な構成要素である 適応的で指数関数的に重み付けされたアダプール法を提案する。 adaPoolは画像やビデオの分類やオブジェクト検出など,さまざまなタスクを通じて,ディテールの保存性の向上を実証する。
  論文  参考訳（メタデータ） (2021-11-01T08:50:37Z)
• Second-Order Pooling for Graph Neural Networks [62.13156203025818]
  グラフプーリングとして2次プールを提案するが、これは上記の課題を自然に解決する。 グラフニューラルネットワークによる2次プールの直接利用は、実用的な問題を引き起こすことを示す。 本稿では,2次プールに基づく2つの新しいグローバルグラフプーリング手法,すなわちバイリニアマッピングと2次プールを提案する。
  論文  参考訳（メタデータ） (2020-07-20T20:52:36Z)

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。