論文の概要: Disentangled Graph Representation Based on Substructure-Aware Graph Optimal Matching Kernel Convolutional Networks

• arxiv url: http://arxiv.org/abs/2504.16360v1
• Date: Wed, 23 Apr 2025 02:26:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-02 19:15:52.977621
• Title: Disentangled Graph Representation Based on Substructure-Aware Graph Optimal Matching Kernel Convolutional Networks
• Title（参考訳）: 部分構造を考慮したグラフ最適マッチングカーネル畳み込みネットワークに基づく不整合グラフ表現
• Authors: Mao Wang, Tao Wu, Xingping Xian, Shaojie Qiao, Weina Niu, Canyixing Cui,
• Abstract要約: グラフは関係データを効果的に特徴付け、グラフ表現学習法を駆動する。 最近の不整合グラフ表現学習は、グラフデータの独立因子を分離することにより、解釈可能性を高める。 本稿では,この制限に対処するグラフ最適マッチングカーネル畳み込みネットワーク(GOMKCN)を提案する。
• 参考スコア（独自算出の注目度）: 4.912298804026689
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graphs effectively characterize relational data, driving graph representation learning methods that uncover underlying predictive information. As state-of-the-art approaches, Graph Neural Networks (GNNs) enable end-to-end learning for diverse tasks. Recent disentangled graph representation learning enhances interpretability by decoupling independent factors in graph data. However, existing methods often implicitly and coarsely characterize graph structures, limiting structural pattern analysis within the graph. This paper proposes the Graph Optimal Matching Kernel Convolutional Network (GOMKCN) to address this limitation. We view graphs as node-centric subgraphs, where each subgraph acts as a structural factor encoding position-specific information. This transforms graph prediction into structural pattern recognition. Inspired by CNNs, GOMKCN introduces the Graph Optimal Matching Kernel (GOMK) as a convolutional operator, computing similarities between subgraphs and learnable graph filters. Mathematically, GOMK maps subgraphs and filters into a Hilbert space, representing graphs as point sets. Disentangled representations emerge from projecting subgraphs onto task-optimized filters, which adaptively capture relevant structural patterns via gradient descent. Crucially, GOMK incorporates local correspondences in similarity measurement, resolving the trade-off between differentiability and accuracy in graph kernels. Experiments validate that GOMKCN achieves superior accuracy and interpretability in graph pattern mining and prediction. The framework advances the theoretical foundation for disentangled graph representation learning.
• Abstract（参考訳）: グラフは関係データを効果的に特徴付け、基礎となる予測情報を明らかにするグラフ表現学習手法を駆動する。 最先端のアプローチとして、グラフニューラルネットワーク(GNN)は、さまざまなタスクに対してエンドツーエンドの学習を可能にする。 最近の不整合グラフ表現学習は、グラフデータの独立因子を分離することにより、解釈可能性を高める。 しかし、既存の手法はしばしばグラフ構造を暗黙的かつ粗密に特徴づけ、グラフ内の構造パターン解析を制限する。 本稿では,この制限に対処するグラフ最適マッチングカーネル畳み込みネットワーク(GOMKCN)を提案する。 グラフをノード中心のサブグラフとみなし、各サブグラフは位置特化情報を符号化する構造因子として機能する。 これにより、グラフ予測が構造パターン認識に変換される。 CNNにインスパイアされたGOMKCNは、グラフ最適マッチングカーネル(英語版)(GOMK)を畳み込み演算子として導入し、サブグラフと学習可能なグラフフィルタの類似性を計算している。 数学的には、GOMKはグラフとフィルタをヒルベルト空間に写像し、グラフを点集合として表現する。 アンタングル表現は、部分グラフをタスク最適化フィルタに投影することで出現し、勾配降下によって関連する構造パターンを適応的にキャプチャする。 GOMKは局所対応を類似度測定に取り入れ、グラフカーネルの微分可能性と精度のトレードオフを解消する。 実験により,GOMKCNはグラフパターンのマイニングや予測において,精度と解釈性に優れることを確認した。 このフレームワークは、非絡み合いグラフ表現学習の理論基盤を前進させる。

関連論文リスト

• SPGNN: Recognizing Salient Subgraph Patterns via Enhanced Graph Convolution and Pooling [25.555741218526464]
  グラフニューラルネットワーク(GNN)は、グラフやネットワークのような非ユークリッドデータ上での機械学習の分野に革命をもたらした。 本稿では,ノード表現をインジェクティブに更新する結合型グラフ畳み込み機構を提案する。 また,WL-SortPoolと呼ばれるグラフプーリングモジュールを設計し,重要なサブグラフパターンをディープラーニングで学習する。
  論文  参考訳（メタデータ） (2024-04-21T13:11:59Z)
• Learning Adaptive Neighborhoods for Graph Neural Networks [45.94778766867247]
  グラフ畳み込みネットワーク(GCN)は、グラフ構造化データのエンドツーエンド学習を可能にする。 本稿では,グラフトポロジを構築する新しいエンドツーエンドの微分可能なグラフ生成器を提案する。 私たちのモジュールは、グラフ畳み込み操作を含む既存のパイプラインに簡単に統合できます。
  論文  参考訳（メタデータ） (2023-07-18T08:37:25Z)
• Spectral Augmentations for Graph Contrastive Learning [50.149996923976836]
  コントラスト学習は、監督の有無にかかわらず、表現を学習するための第一の方法として現れてきた。 近年の研究では、グラフ表現学習における事前学習の有用性が示されている。 本稿では,グラフの対照的な目的に対する拡張を構築する際に,候補のバンクを提供するためのグラフ変換操作を提案する。
  論文  参考訳（メタデータ） (2023-02-06T16:26:29Z)
• Graph Condensation via Receptive Field Distribution Matching [61.71711656856704]
  本稿では,元のグラフを表す小さなグラフの作成に焦点をあてる。 我々は、元のグラフを受容体の分布とみなし、受容体が同様の分布を持つ小さなグラフを合成することを目的としている。
  論文  参考訳（メタデータ） (2022-06-28T02:10:05Z)
• 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)
• Graph Kernel Neural Networks [53.91024360329517]
  本稿では、グラフ上の内部積を計算するカーネル関数であるグラフカーネルを用いて、標準畳み込み演算子をグラフ領域に拡張することを提案する。 これにより、入力グラフの埋め込みを計算する必要のない完全に構造的なモデルを定義することができる。 私たちのアーキテクチャでは,任意の種類のグラフカーネルをプラグインすることが可能です。
  論文  参考訳（メタデータ） (2021-12-14T14:48:08Z)
• Joint Graph Learning and Matching for Semantic Feature Correspondence [69.71998282148762]
  本稿では,グラフマッチングを向上するための信頼度の高いグラフ構造を探索するために,GLAMという共用電子グラフ学習とマッチングネットワークを提案する。 提案手法は,3つの人気ビジュアルマッチングベンチマーク (Pascal VOC, Willow Object, SPair-71k) で評価される。 すべてのベンチマークにおいて、従来の最先端のグラフマッチング手法よりも大きなマージンを達成している。
  論文  参考訳（メタデータ） (2021-09-01T08:24:02Z)
• Graph Pooling with Node Proximity for Hierarchical Representation Learning [80.62181998314547]
  本稿では,ノード近接を利用したグラフプーリング手法を提案し,そのマルチホップトポロジを用いたグラフデータの階層的表現学習を改善する。 その結果,提案したグラフプーリング戦略は,公開グラフ分類ベンチマークデータセットの集合において,最先端のパフォーマンスを達成できることが示唆された。
  論文  参考訳（メタデータ） (2020-06-19T13:09:44Z)
• Graph Partitioning and Graph Neural Network based Hierarchical Graph Matching for Graph Similarity Computation [5.710312846460821]
  グラフ類似性は、下流アプリケーションを容易にするために、1組のグラフ間の類似度スコアを予測することを目的としている。 この問題を効果的に解決するために,PSimGNNと呼ばれるグラフ分割とグラフニューラルネットワークに基づくモデルを提案する。 PSimGNNはグラフ類似度メトリックとして近似グラフ編集距離(GED)を用いてグラフ類似度計算タスクにおける最先端の手法より優れている。
  論文  参考訳（メタデータ） (2020-05-16T15:01:58Z)
• Deep Graph Mapper: Seeing Graphs through the Neural Lens [4.401427499962144]
  我々はMapperとグラフニューラルネットワーク(GNN)の表現力を組み合わせることで、グラフの階層的でトポロジカルな視覚化を生成する。 これらの視覚化は、複雑なグラフの構造を識別するだけでなく、様々なタスクを解くためにそれらに適用されたモデルを理解する手段を提供する。
  論文  参考訳（メタデータ） (2020-02-10T15:29:09Z)

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。