論文の概要: Torch Geometric Pool: the Pytorch library for pooling in Graph Neural Networks

• arxiv url: http://arxiv.org/abs/2512.12642v1
• Date: Sun, 14 Dec 2025 11:15:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-16 17:54:56.358241
• Title: Torch Geometric Pool: the Pytorch library for pooling in Graph Neural Networks
• Title（参考訳）: Torch Geometric Pool: グラフニューラルネットワークのプールのためのPytorchライブラリ
• Authors: Filippo Maria Bianchi, Carlo Abate, Ivan Marisca,
• Abstract要約: グラフニューラルネットワークにおける階層プールのためのライブラリTorch Geometric Pool(tgp)を紹介する。 Pytorch Geometricをベースとして構築されたtgpは,一貫性のあるAPIとモジュール設計の下で統一された,さまざまなプール演算子を提供する。
• 参考スコア（独自算出の注目度）: 17.28885611561219
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We introduce Torch Geometric Pool (tgp), a library for hierarchical pooling in Graph Neural Networks. Built upon Pytorch Geometric, Torch Geometric Pool (tgp) provides a wide variety of pooling operators, unified under a consistent API and a modular design. The library emphasizes usability and extensibility, and includes features like precomputed pooling, which significantly accelerate training for a class of operators. In this paper, we present tgp's structure and present an extensive benchmark. The latter showcases the library's features and systematically compares the performance of the implemented graph-pooling methods in different downstream tasks. The results, showing that the choice of the optimal pooling operator depends on tasks and data at hand, support the need for a library that enables fast prototyping.
• Abstract（参考訳）: グラフニューラルネットワークにおける階層プールのためのライブラリTorch Geometric Pool(tgp)を紹介する。 Pytorch Geometricに基づいて構築されたTorch Geometric Pool (tgp)は,一貫性のあるAPIとモジュール設計の下で統一された,さまざまなプール演算子を提供する。 このライブラリはユーザビリティと拡張性を強調しており、プリ計算されたプールのような機能を備えており、演算子のクラスのトレーニングを著しく加速している。 本稿では,tgpの構造と拡張ベンチマークを提案する。 後者はライブラリの機能を示し、異なる下流タスクで実装されたグラフプーリングメソッドのパフォーマンスを体系的に比較する。 その結果、最適なプーリング演算子の選択はタスクとデータに依存し、高速なプロトタイピングを可能にするライブラリの必要性が示された。

関連論文リスト

• SpaPool: Soft Partition Assignment Pooling for__Graph Neural Networks [3.634532073343371]
  本稿では,グラフニューラルネットワークの新しいプーリング手法であるSpaPoolを紹介する。 グラフニューラルネットワークの密度とスパース技術の両方の長所を組み合わせたものだ。 グラフの構造的整合性を維持しつつ、そのサイズを効率的に削減することを目的としている。
  論文  参考訳（メタデータ） (2025-09-15T08:16:40Z)
• torchgfn: A PyTorch GFlowNet library [44.94532429787822]
  我々は、このニーズに対処することを目的としたPyTorchライブラリであるTorchgfnを紹介します。 その中核的な貢献は、環境、ニューラルネットワークモジュールを扱い、目標を交換可能なコンポーネントとしてトレーニングするモジュールで分離されたアーキテクチャである。 これによってユーザは、高速なプロトタイピングと新しい研究を容易にする、シンプルだが強力なAPIをユーザに提供する。
  論文  参考訳（メタデータ） (2023-05-24T00:20:59Z)
• Higher-order Clustering and Pooling for Graph Neural Networks [77.47617360812023]
  グラフニューラルネットワークは、多数のグラフ分類タスクにおいて最先端のパフォーマンスを達成する。 HoscPoolはクラスタリングベースのグラフプーリング演算子で、階層的に高階情報をキャプチャする。 グラフ分類タスクにおいてHoscPoolを評価し,そのクラスタリングコンポーネントを地層構造を持つグラフ上で評価する。
  論文  参考訳（メタデータ） (2022-09-02T09:17:10Z)
• Efficient Graph Deep Learning in TensorFlow with tf_geometric [53.237754811019464]
  グラフ深層学習のための効率的でフレンドリなライブラリであるtf_geometricを導入する。 tf_geometricは、人気のあるGNNの実装と同様に、グラフニューラルネットワーク(GNN)を構築するためのカーネルライブラリを提供する。 カーネルライブラリは、グラフデータ構造、グラフマップ-リデュースフレームワーク、グラフミニバッチ戦略など、効率的なGNNを構築するためのインフラストラクチャで構成されている。
  論文  参考訳（メタデータ） (2021-01-27T17:16:36Z)
• TorchRadon: Fast Differentiable Routines for Computed Tomography [0.0]
  TorchRadonライブラリは、ディープラーニングとモデルベースのアプローチを組み合わせるために、CT問題に取り組む研究者を支援するように設計されている。 既存のAstra Toolboxと比較すると、TorchRadonは125倍高速である。 そのスピードとGPUサポートのため、TorchRadonは反復アルゴリズムの実装の高速バックエンドとしても効果的に使用できる。
  論文  参考訳（メタデータ） (2020-09-29T09:20:22Z)
• Captum: A unified and generic model interpretability library for PyTorch [49.72749684393332]
  我々は,PyTorch用の新しい,統一されたオープンソースモデル解釈可能性ライブラリを紹介する。 このライブラリには、多くの勾配と摂動に基づく属性アルゴリズムの汎用的な実装が含まれている。 分類モデルと非分類モデルの両方に使用できる。
  論文  参考訳（メタデータ） (2020-09-16T18:57:57Z)
• Graph Neural Networks in TensorFlow and Keras with Spektral [18.493394650508044]
  Spektralは、グラフニューラルネットワークを構築するためのオープンソースのPythonライブラリである。 メッセージパッシングやプール演算子など,グラフの深層学習のための多数のメソッドを実装している。 絶対的な初心者や専門的なディープラーニング実践者にも適しています。
  論文  参考訳（メタデータ） (2020-06-22T10:56:22Z)
• Strip Pooling: Rethinking Spatial Pooling for Scene Parsing [161.7521770950933]
  長いが狭いカーネル、すなわち1xNまたはNx1を考えるストリッププーリングを導入する。 提案するストリッププール性能と従来の空間プール技術との比較を行った。 両方の新しいプールベースのデザインは軽量であり、既存のシーン解析ネットワークにおいて効率的なプラグアンドプレイモジュールとして機能する。
  論文  参考訳（メタデータ） (2020-03-30T10:40:11Z)
• Torch-Struct: Deep Structured Prediction Library [138.5262350501951]
  本稿では,構造化予測ライブラリTorch-Structを紹介する。 Torch-Structには,シンプルで柔軟な分散ベースのAPIを通じてアクセスされる,確率的構造の広範なコレクションが含まれている。
  論文  参考訳（メタデータ） (2020-02-03T16:43:02Z)

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。