論文の概要: To Share or Not to Share: Investigating Weight Sharing in Variational Graph Autoencoders

• arxiv url: http://arxiv.org/abs/2502.16724v1
• Date: Sun, 23 Feb 2025 21:31:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-25 15:52:02.294068
• Title: To Share or Not to Share: Investigating Weight Sharing in Variational Graph Autoencoders
• Title（参考訳）: 共有すべきか否か:変分グラフオートエンコーダにおけるウェイトシェアの検討
• Authors: Guillaume Salha-Galvan, Jiaying Xu,
• Abstract要約: 本稿では,変分グラフオートエンコーダ(VGAE)におけるウェイトシェアリング(WS)の実践について検討する。 WSは、VGAEモデル設計とノード埋め込み学習の利点と欠点の両方を提示しています。 我々は、その意味を厳密に分析し、広範囲のグラフとVGAEの変種に関する広範な実験を通して、WSの利点がその欠点を一貫して上回っていることを実証します。
• 参考スコア（独自算出の注目度）: 1.7648680700685022
• License:
• Abstract: This paper investigates the understudied practice of weight sharing (WS) in variational graph autoencoders (VGAE). WS presents both benefits and drawbacks for VGAE model design and node embedding learning, leaving its overall relevance unclear and the question of whether it should be adopted unresolved. We rigorously analyze its implications and, through extensive experiments on a wide range of graphs and VGAE variants, demonstrate that the benefits of WS consistently outweigh its drawbacks. Based on our findings, we recommend WS as an effective approach to optimize, regularize, and simplify VGAE models without significant performance loss.
• Abstract（参考訳）: 本稿では,変分グラフオートエンコーダ(VGAE)におけるウェイトシェアリング(WS)の実践について検討する。 WSは、VGAEモデル設計とノード埋め込み学習の利点と欠点の両方を示し、その全体的な関連性は明確であり、それが未解決であるかどうかという疑問を残している。 我々は、その意味を厳密に分析し、広範囲のグラフとVGAEの変種に関する広範な実験を通して、WSの利点がその欠点を一貫して上回っていることを実証します。 この結果に基づいて、我々は、パフォーマンス損失を伴わずにVGAEモデルを最適化、正規化、単純化するための効果的なアプローチとしてWSを推奨します。

関連論文リスト

• Rethinking Link Prediction for Directed Graphs [73.36395969796804]
  有向グラフのリンク予測は、様々な現実世界のアプリケーションにとって重要な課題である。 埋め込み手法とグラフニューラルネットワーク(GNN)の最近の進歩は、有望な改善を示している。 本稿では,既存手法の表現性を評価するための統一的なフレームワークを提案し,二重埋め込みとデコーダ設計が性能に与える影響を強調した。
  論文  参考訳（メタデータ） (2025-02-08T23:51:05Z)
• Variational Autoencoder for Anomaly Detection: A Comparative Study [1.9131868049527914]
  本稿では,同時代の変分オートエンコーダ(VAE)アーキテクチャを異常検出に用い比較解析することを目的とする。 検討中のアーキテクチャ構成には、元々のVAEベースライン、ガウスランダムフィールド(VAE-GRF)を持つVAE、ビジョントランスフォーマー(ViT-VAE)を搭載したVAEが含まれる。
  論文  参考訳（メタデータ） (2024-08-24T12:07:57Z)
• Challenging the Myth of Graph Collaborative Filtering: a Reasoned and Reproducibility-driven Analysis [50.972595036856035]
  本稿では,6つの人気グラフと最近のグラフ推薦モデルの結果を再現するコードを提案する。 これらのグラフモデルと従来の協調フィルタリングモデルを比較する。 ユーザの近所からの情報フローを調べることにより,データセット構造における内在的特徴にどのようなモデルが影響するかを同定することを目的とする。
  論文  参考訳（メタデータ） (2023-08-01T09:31:44Z)
• GraphCoCo: Graph Complementary Contrastive Learning [65.89743197355722]
  グラフコントラスト学習(GCL)は、手作業によるアノテーションの監督なしに、グラフ表現学習(GRL)において有望な性能を示した。 本稿では,この課題に対処するため,グラフココというグラフ補完型コントラスト学習手法を提案する。
  論文  参考訳（メタデータ） (2022-03-24T02:58:36Z)
• An Adaptive Graph Pre-training Framework for Localized Collaborative Filtering [79.17319280791237]
  局所的協調フィルタリング(ADAPT)のための適応グラフ事前学習フレームワークを提案する。 ADAPTは、異なるグラフにまたがる共通知識と、各グラフの特異性の両方をキャプチャする。 ユーザ/イテムの埋め込みを転送する必要はなく、異なるグラフにまたがる共通知識と各グラフのユニークさの両方をキャプチャできる。
  論文  参考訳（メタデータ） (2021-12-14T06:53:13Z)
• The Neglected Sibling: Isotropic Gaussian Posterior for VAE [5.377898309773304]
  異方性ガウス後部(IGP)を用いた変分オートエンコーダ(VAE)の簡易な修正を提案する。 このモデルは、表現空間における不活性次元に関連するVAEの準最適挙動を避ける。
  論文  参考訳（メタデータ） (2021-10-14T14:12:52Z)
• Adversarial Feature Augmentation and Normalization for Visual Recognition [109.6834687220478]
  最近のコンピュータビジョンの進歩は、分類モデルの一般化能力を改善するために、逆データ拡張を利用する。 本稿では,中間的特徴埋め込みにおける敵対的拡張を提唱する効率的かつ効率的な代替手法を提案する。 代表的なバックボーンネットワークを用いて,多様な視覚認識タスクにまたがる提案手法を検証する。
  論文  参考訳（メタデータ） (2021-03-22T20:36:34Z)
• Calibrating and Improving Graph Contrastive Learning [14.763105892780333]
  教師なしグラフの対照的な学習では、いくつかの対照的なペアは下流のタスクの真理と矛盾することがある。 本稿では、コントラスト-レグという新たな正規化手法を提案し、コントラスト損失の低減が下流タスクの性能向上につながることを確かめる。 プラグイン正規化器として、Contrast-Regは既存のグラフコントラスト学習アルゴリズムの性能を効果的に向上させる。
  論文  参考訳（メタデータ） (2021-01-27T16:31:33Z)
• Robust Optimization as Data Augmentation for Large-scale Graphs [117.2376815614148]
  学習中に勾配に基づく逆方向摂動を伴うノード特徴を反復的に拡張するFLAG(Free Large-scale Adversarial Augmentation on Graphs)を提案する。 FLAGはグラフデータに対する汎用的なアプローチであり、ノード分類、リンク予測、グラフ分類タスクで普遍的に機能する。
  論文  参考訳（メタデータ） (2020-10-19T21:51:47Z)

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。