論文の概要: Multi-View Node Pruning for Accurate Graph Representation

• arxiv url: http://arxiv.org/abs/2503.11737v1
• Date: Fri, 14 Mar 2025 14:44:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-18 12:34:31.021926
• Title: Multi-View Node Pruning for Accurate Graph Representation
• Title（参考訳）: 正確なグラフ表現のためのマルチビューノードプルーニング
• Authors: Jiseong Park, Hanjin Kim, Seojin Kim, Jueun Choi,
• Abstract要約: マルチビューフレームワークと再構成損失に基づくグラフ解析手法を提案する。 MVPは、再構築とタスク損失の両方を考慮して、各ノードのスコアを学習する。 MVPは基本グラフプーリング法の性能を大幅に改善することを示す。
• 参考スコア（独自算出の注目度）: 2.007425661382103
• License:
• Abstract: Graph pooling, which compresses a whole graph into a smaller coarsened graph, is an essential component of graph representation learning. To efficiently compress a given graph, graph pooling methods often drop their nodes with attention-based scoring with the task loss. However, this often results in simply removing nodes with lower degrees without consideration of their feature-level relevance to the given task. To fix this problem, we propose a Multi-View Pruning(MVP), a graph pruning method based on a multi-view framework and reconstruction loss. Given a graph, MVP first constructs multiple graphs for different views either by utilizing the predefined modalities or by randomly partitioning the input features, to consider the importance of each node in diverse perspectives. Then, it learns the score for each node by considering both the reconstruction and the task loss. MVP can be incorporated with any hierarchical pooling framework to score the nodes. We validate MVP on multiple benchmark datasets by coupling it with two graph pooling methods, and show that it significantly improves the performance of the base graph pooling method, outperforming all baselines. Further analysis shows that both the encoding of multiple views and the consideration of reconstruction loss are the key to the success of MVP, and that it indeed identifies nodes that are less important according to domain knowledge.
• Abstract（参考訳）: グラフプーリングは、グラフ全体をより小さな粗いグラフに圧縮する。 与えられたグラフを効率よく圧縮するために、グラフプーリング法は、タスクの損失に応じてアテンションベースのスコアでノードをドロップすることが多い。 しかし、これは多くの場合、与えられたタスクに対する機能レベルの関係を考慮せずに、下位のノードを単に削除してしまう。 この問題を解決するために,マルチビュー・プルーニング(MVP)法,マルチビュー・フレームワークに基づくグラフ・プルーニング手法,再構成損失を提案する。 MVPはまず、事前に定義されたモダリティを利用するか、入力特徴をランダムにパーティショニングすることで、さまざまな視点で各ノードの重要性を考慮し、異なるビューのための複数のグラフを構築する。 そして、再構成とタスク損失の両方を考慮して各ノードのスコアを学習する。 MVPは任意の階層的なプールフレームワークに組み込んでノードをスコアすることができる。 複数のベンチマークデータセット上でMVPを2つのグラフプーリング法と組み合わせることで検証し、ベースグラフプーリング法の性能を大幅に改善し、全てのベースラインを上回ることを示す。 さらに分析したところ、複数のビューのエンコーディングと再構築損失の考慮の両方がMVPの成功の鍵であり、ドメイン知識によって重要でないノードを実際に特定していることがわかった。

関連論文リスト

• Graph Parsing Networks [64.5041886737007]
  本稿では,効率的なグラフ解析アルゴリズムを提案する。 結果として得られるグラフパーシングネットワーク(GPN)は、個々のグラフに対してパーソナライズされたプーリング構造を適応的に学習する。
  論文  参考訳（メタデータ） (2024-02-22T09:08:36Z)
• 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)
• On Exploring Node-feature and Graph-structure Diversities for Node Drop Graph Pooling [86.65151066870739]
  現在のノードドロッププーリング法は、ノードの特徴やグラフ構造の観点からグラフの多様性を無視し、結果としてグラフレベル以下の表現をもたらす。 そこで本稿では,textiti.fltextbfIpscore と textbfDropscore の2つの操作を持つ textbfMulti スコア空間からなる MID を新たに提案する。 具体的には、多次元スコア空間は、複数の基準を通してノードの重要さを描いており、フリップスコアは異種ノードの維持を奨励している。
  論文  参考訳（メタデータ） (2023-06-22T08:02:01Z)
• Edge but not Least: Cross-View Graph Pooling [76.71497833616024]
  本稿では,重要なグラフ構造情報を活用するために,クロスビューグラフプーリング(Co-Pooling)手法を提案する。 クロスビュー相互作用、エッジビュープーリング、ノードビュープーリングにより、相互にシームレスに強化され、より情報的なグラフレベルの表現が学習される。
  論文  参考訳（メタデータ） (2021-09-24T08:01:23Z)
• Graph-MVP: Multi-View Prototypical Contrastive Learning for Multiplex Graphs [34.51494414543057]
  マルチグラフの各ビューに対するノードレベルとセマンティックレベルの両方の情報をキャプチャするグラフ型コントラスト学習(Graph-PCL)フレームワークを導入する。 次に、グラフPCLに基づくグラフMVPを導入し、多重グラフの異なるビューを共同でモデル化する。 Graph-MVPの背後にある重要な洞察は、同じノードの異なるビュー固有の埋め込みは、同じ基盤となるセマンティクスを持つべきであるということです。
  論文  参考訳（メタデータ） (2021-09-08T11:46:09Z)
• Accurate Learning of Graph Representations with Graph Multiset Pooling [45.72542969364438]
  本稿では,その構造的依存関係に応じてノード間の相互作用をキャプチャするグラフマルチセットトランス (GMT) を提案する。 実験の結果,GMTはグラフ分類ベンチマークにおいて,最先端のグラフプーリング法を著しく上回っていることがわかった。
  論文  参考訳（メタデータ） (2021-02-23T07:45:58Z)
• Topology-Aware Graph Pooling Networks [51.9008939769679]
  ポーリング操作はコンピュータビジョンや自然言語処理タスクに有効である。 グラフデータ上でプーリング操作を実行する上での課題のひとつは、グラフ上で明確に定義されていない局所性の欠如である。 本稿では,グラフトポロジを明示的に考慮したトポロジ対応プーリング(TAP)層を提案する。
  論文  参考訳（メタデータ） (2020-10-19T20:14:30Z)

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。