論文の概要: Unified Graph Networks (UGN): A Deep Neural Framework for Solving Graph Problems

• arxiv url: http://arxiv.org/abs/2502.07500v1
• Date: Tue, 11 Feb 2025 12:03:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-12 14:06:55.840742
• Title: Unified Graph Networks (UGN): A Deep Neural Framework for Solving Graph Problems
• Title（参考訳）: Unified Graph Networks (UGN): グラフ問題を解決するためのディープニューラルネットワークフレームワーク
• Authors: Rudrajit Dawn, Madhusudan Ghosh, Partha Basuchowdhuri, Sudip Kumar Naskar,
• Abstract要約: グラフ問題を解くために,emphUnified emphGraph emphNetwork (UGN) という新しいフレームワークを提案する。 UGNはグラフ畳み込みニューラルネットワーク(GCN)と2次元畳み込みニューラルネットワーク(Conv2D)に基づいている
• 参考スコア（独自算出の注目度）: 0.5699788926464752
• License:
• Abstract: Deep neural networks have enabled researchers to create powerful generalized frameworks, such as transformers, that can be used to solve well-studied problems in various application domains, such as text and image. However, such generalized frameworks are not available for solving graph problems. Graph structures are ubiquitous in many applications around us and many graph problems have been widely studied over years. In recent times, there has been a surge in deep neural network based approaches to solve graph problems, with growing availability of graph structured datasets across diverse domains. Nevertheless, existing methods are mostly tailored to solve a specific task and lack the capability to create a generalized model leading to solutions for different downstream tasks. In this work, we propose a novel, resource-efficient framework named \emph{U}nified \emph{G}raph \emph{N}etwork (UGN) by leveraging the feature extraction capability of graph convolutional neural networks (GCN) and 2-dimensional convolutional neural networks (Conv2D). UGN unifies various graph learning tasks, such as link prediction, node classification, community detection, graph-to-graph translation, knowledge graph completion, and more, within a cohesive framework, while exercising minimal task-specific extensions (e.g., formation of supernodes for coarsening massive networks to increase scalability, use of \textit{mean target connectivity matrix} (MTCM) representation for achieving scalability in graph translation task, etc.) to enhance the generalization capability of graph learning and analysis. We test the novel UGN framework for six uncorrelated graph problems, using twelve different datasets. Experimental results show that UGN outperforms the state-of-the-art baselines by a significant margin on ten datasets, while producing comparable results on the remaining dataset.
• Abstract（参考訳）: ディープニューラルネットワークにより、研究者たちは、テキストやイメージなど、さまざまなアプリケーション領域でよく研究されている問題を解決するために使用できる、トランスフォーマーのような強力な汎用フレームワークを作成できるようになった。 しかし、そのような一般化されたフレームワークはグラフ問題を解くには利用できない。 グラフ構造は、私たちを取り巻く多くのアプリケーションにおいてユビキタスであり、長年にわたって多くのグラフ問題が研究されてきた。 近年、グラフ問題を解決するためのディープニューラルネットワークベースのアプローチが急増し、さまざまなドメインにわたるグラフ構造化データセットが利用できるようになった。 それでも、既存の手法は特定のタスクを解くために最適化されており、異なる下流タスクのソリューションにつながる一般化されたモデルを作成する能力に欠ける。 本研究では, グラフ畳み込みニューラルネットワーク (GCN) と2次元畳み込みニューラルネットワーク (Conv2D) の特徴抽出能力を活用することにより, 新規な資源効率の高いフレームワークである \emph{U}nified \emph{G}raph \emph{N}etwork (UGN) を提案する。 UGNは、リンク予測、ノード分類、コミュニティ検出、グラフからグラフへの翻訳、知識グラフの補完など、さまざまなグラフ学習タスクを結合フレームワーク内で統合すると同時に、大規模ネットワークを集約してスケーラビリティを高めるための超ノードの形成、グラフ翻訳タスクのスケーラビリティを達成するための \textit{mean target connection matrix} (MTCM)表現の使用など、最小限のタスク固有の拡張(例えば、大規模ネットワークを集約するスーパーノードの形成など)を実行する。 ) グラフ学習と解析の一般化能力を高めること。 12の異なるデータセットを用いて、6つの非相関グラフ問題に対して新しいUGNフレームワークをテストする。 実験結果から、UGNは10のデータセットで最先端のベースラインをかなり上回り、残りのデータセットでは同等の結果が得られた。

関連論文リスト

• 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)
• NodeFormer: A Scalable Graph Structure Learning Transformer for Node Classification [70.51126383984555]
  本稿では,任意のノード間のノード信号を効率的に伝搬する全ペアメッセージパッシング方式を提案する。 効率的な計算は、カーナライズされたGumbel-Softmax演算子によって実現される。 グラフ上のノード分類を含む様々なタスクにおいて,本手法の有望な有効性を示す実験を行った。
  論文  参考訳（メタデータ） (2023-06-14T09:21:15Z)
• A Robust Stacking Framework for Training Deep Graph Models with Multifaceted Node Features [61.92791503017341]
  数値ノード特徴とグラフ構造を入力とするグラフニューラルネットワーク(GNN)は,グラフデータを用いた各種教師付き学習タスクにおいて,優れた性能を示した。 IID(non-graph)データをGNNに簡単に組み込むことはできない。 本稿では、グラフ認識の伝播をIDデータに意図した任意のモデルで融合するロバストな積み重ねフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-06-16T22:46:33Z)
• 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)
• Towards Unsupervised Deep Graph Structure Learning [67.58720734177325]
  本稿では,学習したグラフトポロジを外部ガイダンスなしでデータ自身で最適化する,教師なしグラフ構造学習パラダイムを提案する。 具体的には、元のデータから"アンカーグラフ"として学習目標を生成し、対照的な損失を用いてアンカーグラフと学習グラフとの一致を最大化する。
  論文  参考訳（メタデータ） (2022-01-17T11:57:29Z)
• Co-embedding of Nodes and Edges with Graph Neural Networks [13.020745622327894]
  グラフ埋め込みは、高次元および非ユークリッド特徴空間でデータ構造を変換しエンコードする方法である。 CensNetは一般的なグラフ埋め込みフレームワークで、ノードとエッジの両方を潜在機能空間に埋め込む。 提案手法は,4つのグラフ学習課題における最先端のパフォーマンスを達成または一致させる。
  論文  参考訳（メタデータ） (2020-10-25T22:39:31Z)
• MathNet: Haar-Like Wavelet Multiresolution-Analysis for Graph Representation and Learning [31.42901131602713]
  本稿では,マルチレゾリューション・ハール型ウェーブレット(MathNet)を用いたグラフニューラルネットワークのためのフレームワークを提案する。 提案したMathNetは、特にデータセットにおいて、既存のGNNモデルよりも優れている。
  論文  参考訳（メタデータ） (2020-07-22T05:00:59Z)
• 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)
• Geom-GCN: Geometric Graph Convolutional Networks [15.783571061254847]
  本稿では,この2つの弱点を克服するために,グラフニューラルネットワークのための新しい幾何集約手法を提案する。 提案したアグリゲーションスキームは置換不変であり、ノード埋め込み、構造近傍、二レベルアグリゲーションという3つのモジュールから構成される。 また,このスキームをGeom-GCNと呼ばれるグラフ畳み込みネットワークに実装し,グラフ上でトランスダクティブ学習を行う。
  論文  参考訳（メタデータ） (2020-02-13T00:03:09Z)

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。