論文の概要: Node-level Graph Neural Architecture Search Framework

• arxiv url: http://arxiv.org/abs/2610.09297v1
• Date: Wed, 07 Oct 2026 01:58:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 21:58:22.676593
• Title: Node-level Graph Neural Architecture Search Framework
• Title（参考訳）: ノードレベルのグラフニューラルネットワーク検索フレームワーク
• Abstract要約: グラフニューラルネットワーク(GNN)とアーキテクチャ検索フレームワークは、非ユークリッドデータ処理に広く応用されている。 従来のアプローチでは、構造的特徴や特徴によらず、すべてのノードに一様畳み込み演算を適用するのが一般的である。 我々は,textbfNode-Level textbfGraph textbfNeural textbfArchitecture textbfSearch (N-GNAS)アルゴリズムを提案する。 ノードを更新する際、ノードのサブセットごとに適切なネットワークアーキテクチャを自動的に選択できる。
• 参考スコア（独自算出の注目度）: 15.625140877812619
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: In recent years, Graph Neural Networks (GNNs) and architecture search frameworks have gained extensive application in non-Euclidean data processing, attributable to their superior capacity in managing unstructured data. Nevertheless, traditional approaches typically apply uniform convolution operations to all nodes, regardless of their varying structural and feature characteristics, which can undermine model performance and result in over-smoothing issues as the number of layers increases. To overcome this limitation, in this work, we propose a \textbf{N}ode-Level \textbf{G}raph \textbf{N}eural \textbf{A}rchitecture \textbf{S}earch (N-GNAS) algorithm. It can automatically choose an appropriate network architecture for each subset of nodes when updating node features. N-GNAS also introduces a contrastive learning loss to separate sample features from different categories and vice versa. In experiments conducted on eight datasets for node and graph classification, our methodology outperforms current leading GNAS techniques and traditional human-designed GNNs. For example, it achieves an accuracy rate of 78.26\% on the CiteSeer dataset.
• Abstract（参考訳）: 近年、グラフニューラルネットワーク(GNN)とアーキテクチャ検索フレームワークは、非ユークリッドデータ処理において広範囲に応用されており、非構造化データ管理における優れた能力に起因している。 それにもかかわらず、従来のアプローチでは、構造的特徴や特徴によらず、すべてのノードに一様畳み込み処理を適用しており、モデルの性能を損なう可能性があり、レイヤーの数が増えるにつれて過度にスムースな問題が発生する。 この制限を克服するために、本研究では、 \textbf{N}ode-Level \textbf{G}raph \textbf{N}eural \textbf{A}rchitecture \textbf{S}earch (N-GNAS)アルゴリズムを提案する。 ノード機能を更新する際、ノードのサブセットごとに適切なネットワークアーキテクチャを自動的に選択できる。 N-GNASはまた、異なるカテゴリからサンプル機能を切り離すために、対照的な学習損失も導入している。 ノード分類とグラフ分類のための8つのデータセットを用いて行った実験では、従来のGNAS技術や従来の人間設計のGNNよりも優れていた。 例えば、CiteSeerデータセットで78.26\%の精度を達成する。

関連論文リスト

• NodeNAS: Node-Specific Graph Neural Architecture Search for Out-of-Distribution Generalization [6.069120487541545]
  Graph Neural Architecture Search (GraphNAS)は、分散シフトによるグラフニューラルネットワーク(GNN)の性能劣化を緩和する利点を実証している。 ノード固有のグラフニューラルネットワークサーチ(NodeNAS)を提案する。 また,適応アグリゲーションアテンションに基づくマルチディムノードNAS法(MNNAS)を提案する。
  論文  参考訳（メタデータ） (2025-03-04T09:45:27Z)
• Degree-based stratification of nodes in Graph Neural Networks [66.17149106033126]
  グラフニューラルネットワーク(GNN)アーキテクチャを変更して,各グループのノードに対して,重み行列を個別に学習する。 このシンプルな実装変更により、データセットとGNNメソッドのパフォーマンスが改善されているようだ。
  論文  参考訳（メタデータ） (2023-12-16T14:09:23Z)
• Collaborative Graph Neural Networks for Attributed Network Embedding [63.39495932900291]
  グラフニューラルネットワーク(GNN)は、属性付きネットワーク埋め込みにおいて顕著な性能を示している。 本稿では,ネットワーク埋め込みに適したGNNアーキテクチャであるCulaborative graph Neural Networks-CONNを提案する。
  論文  参考訳（メタデータ） (2023-07-22T04:52:27Z)
• 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)
• NDGGNET-A Node Independent Gate based Graph Neural Networks [6.155450481110693]
  疎結合なノードでは、単一のGNN層を通して十分な情報を得るのは難しい。 この論文では、通常のGNNモデルでより多くのレイヤに対応可能な新しいフレームワークを定義する。 実験結果から,提案モデルがモデル深度を効果的に向上し,複数のデータセットで良好に動作できることが示唆された。
  論文  参考訳（メタデータ） (2022-05-11T08:51:04Z)
• A Variational Edge Partition Model for Supervised Graph Representation Learning [51.30365677476971]
  本稿では,重なり合うノード群間の相互作用を集約することで,観測されたエッジがどのように生成されるかをモデル化するグラフ生成プロセスを提案する。 それぞれのエッジを複数のコミュニティ固有の重み付きエッジの和に分割し、コミュニティ固有のGNNを定義する。 エッジを異なるコミュニティに分割するGNNベースの推論ネットワーク,これらのコミュニティ固有のGNN,およびコミュニティ固有のGNNを最終分類タスクに組み合わせたGNNベースの予測器を共同で学習するために,変分推論フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-02-07T14:37:50Z)
• Position-based Hash Embeddings For Scaling Graph Neural Networks [8.87527266373087]
  グラフニューラルネットワーク(GNN)は、ノードのエゴネットワークのトポロジとエゴネットワークのノードの特徴を考慮したノード表現を演算する。 ノードが高品質な機能を持っていない場合、GNNはノードの埋め込みを計算するために埋め込み層を学び、それらを入力機能として使用する。 この埋め込みレイヤに関連するメモリを削減するため、NLPやレコメンダシステムのようなアプリケーションで一般的に使用されるハッシュベースのアプローチが利用可能である。 本稿では,グラフ内のノードの位置を利用して,必要なメモリを大幅に削減する手法を提案する。
  論文  参考訳（メタデータ） (2021-08-31T22:42:25Z)
• Learning Hierarchical Graph Neural Networks for Image Clustering [81.5841862489509]
  本稿では,画像の集合を未知の個数にクラスタリングする方法を学ぶ階層型グラフニューラルネットワーク(GNN)モデルを提案する。 我々の階層的なGNNは、階層の各レベルで予測される連結コンポーネントをマージして、次のレベルで新しいグラフを形成するために、新しいアプローチを用いています。
  論文  参考訳（メタデータ） (2021-07-03T01:28:42Z)
• Non-Recursive Graph Convolutional Networks [33.459371861932574]
  非再帰グラフ畳み込みネットワーク(NRGCN)と呼ばれる新しいアーキテクチャを提案し、GCNのトレーニング効率と学習パフォーマンスの両方を改善します。 NRGCNは、内部層凝集と層非依存サンプリングに基づいて、各ノードの隣人のホップを表す。 このようにして、各ノードは、隣人の各ホップから独立して抽出された情報を連結することで直接表現することができる。
  論文  参考訳（メタデータ） (2021-05-09T08:12:18Z)

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。