論文の概要: Insights from Network Science can advance Deep Graph Learning

• arxiv url: http://arxiv.org/abs/2502.01177v1
• Date: Mon, 03 Feb 2025 09:11:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-05 14:57:59.518095
• Title: Insights from Network Science can advance Deep Graph Learning
• Title（参考訳）: ネットワークサイエンスの洞察はディープグラフ学習を前進させる
• Authors: Christopher Blöcker, Martin Rosvall, Ingo Scholtes, Jevin D. West,
• Abstract要約: 深層グラフ学習における課題として,データ強化,評価プラクティスの改善,高次モデル,プーリング手法などについて論じる。 大規模なグラフへのスケーリング、継続的な勾配ベースの最適化の統合、標準化されたベンチマークの開発など、ネットワーク科学における課題を強調します。
• 参考スコア（独自算出の注目度）: 1.8249324194382754
• License:
• Abstract: Deep graph learning and network science both analyze graphs but approach similar problems from different perspectives. Whereas network science focuses on models and measures that reveal the organizational principles of complex systems with explicit assumptions, deep graph learning focuses on flexible and generalizable models that learn patterns in graph data in an automated fashion. Despite these differences, both fields share the same goal: to better model and understand patterns in graph-structured data. Early efforts to integrate methods, models, and measures from network science and deep graph learning indicate significant untapped potential. In this position, we explore opportunities at their intersection. We discuss open challenges in deep graph learning, including data augmentation, improved evaluation practices, higher-order models, and pooling methods. Likewise, we highlight challenges in network science, including scaling to massive graphs, integrating continuous gradient-based optimization, and developing standardized benchmarks.
• Abstract（参考訳）: ディープグラフ学習とネットワーク科学はどちらもグラフを解析するが、異なる視点からも同様の問題にアプローチする。 ネットワーク科学は、明示的な仮定で複雑なシステムの組織原理を明らかにするモデルと尺度に焦点を当てているのに対し、ディープグラフ学習は、グラフデータのパターンを自動で学習するフレキシブルで一般化可能なモデルに焦点を当てている。 これらの違いにもかかわらず、両方のフィールドは同じ目標を共有している。 ネットワーク科学と深層グラフ学習の手法、モデル、尺度を統合する初期の取り組みは、未解決の有意義な可能性を示唆している。 この立場において、我々は彼らの交差点で機会を探究する。 深層グラフ学習におけるオープンな課題として,データ拡張,評価プラクティスの改善,高次モデル,プール手法などについて論じる。 同様に、大規模なグラフへのスケーリング、継続的な勾配ベースの最適化の統合、標準化されたベンチマークの開発など、ネットワーク科学の課題も強調する。

関連論文リスト

• Self-Supervised Graph Neural Networks for Enhanced Feature Extraction in Heterogeneous Information Networks [16.12856816023414]
  本稿では,インターネットの急速な発展に伴う複雑なグラフデータ処理におけるグラフニューラルネットワーク(GNN)の適用と課題について考察する。 自己監督機構を導入することにより、グラフデータの多様性と複雑さに対する既存モデルの適合性を向上させることが期待されている。
  論文  参考訳（メタデータ） (2024-10-23T07:14:37Z)
• Towards Graph Prompt Learning: A Survey and Beyond [38.55555996765227]
  大規模"事前訓練と迅速な学習"パラダイムは、顕著な適応性を示している。 この調査は、この分野における100以上の関連する研究を分類し、一般的な設計原則と最新の応用を要約する。
  論文  参考訳（メタデータ） (2024-08-26T06:36:42Z)
• Towards Graph Foundation Models: A Survey and Beyond [66.37994863159861]
  ファンデーションモデルは、さまざまな人工知能アプリケーションにおいて重要なコンポーネントとして現れてきた。 基礎モデルがグラフ機械学習研究者を一般化し、適応させる能力は、新しいグラフ学習パラダイムを開発する可能性について議論する。 本稿では,グラフ基礎モデル(GFM)の概念を紹介し,その重要な特徴と基礎技術について概説する。
  論文  参考訳（メタデータ） (2023-10-18T09:31:21Z)
• Data-centric Graph Learning: A Survey [37.849198493911736]
  本稿では,グラフ学習パイプラインの段階に基づく新しい分類法を提案する。 グラフデータに埋め込まれた潜在的な問題を解析し、それをデータ中心の方法で解決する方法について議論する。
  論文  参考訳（メタデータ） (2023-10-08T03:17:22Z)
• GraphGLOW: Universal and Generalizable Structure Learning for Graph Neural Networks [72.01829954658889]
  本稿では,この新たな問題設定の数学的定義を紹介する。 一つのグラフ共有構造学習者と複数のグラフ固有GNNを協調する一般的なフレームワークを考案する。 十分に訓練された構造学習者は、微調整なしで、目に見えない対象グラフの適応的な構造を直接生成することができる。
  論文  参考訳（メタデータ） (2023-06-20T03:33:22Z)
• 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)
• Data Augmentation for Deep Graph Learning: A Survey [66.04015540536027]
  まず,グラフデータ拡張のための分類法を提案し,その拡張情報モダリティに基づいて関連研究を分類し,構造化されたレビューを提供する。 DGLにおける2つの課題(すなわち、最適グラフ学習と低リソースグラフ学習)に焦点を当て、グラフデータ拡張に基づく既存の学習パラダイムについて議論し、レビューする。
  論文  参考訳（メタデータ） (2022-02-16T18:30:33Z)
• Model-Agnostic Graph Regularization for Few-Shot Learning [60.64531995451357]
  グラフ組み込み数ショット学習に関する包括的な研究を紹介します。 本稿では,ラベル間のグラフ情報の組み込みによる影響をより深く理解できるグラフ正規化手法を提案する。 提案手法は,Mini-ImageNetで最大2%,ImageNet-FSで6.7%の性能向上を実現する。
  論文  参考訳（メタデータ） (2021-02-14T05:28:13Z)
• 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)
• Machine Learning on Graphs: A Model and Comprehensive Taxonomy [22.73365477040205]
  グラフニューラルネットワーク、ネットワーク埋め込み、グラフ正規化モデルの間のギャップを埋める。 具体的には、グラフ上の半教師付き学習のための一般的なアルゴリズムを一般化するグラフデコーダモデル( GraphEDM)を提案する。
  論文  参考訳（メタデータ） (2020-05-07T18:00:02Z)

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。