グラフニューラルネットワークによるグラフ要約【JST・京大機械翻訳】

Blasi Maximilian; Freudenreich Manuel; Horvath Johannes; Richerby David; Scherp Ansgar

プレプリント

J-GLOBAL ID：202202208670142080 整理番号：22P0302569

グラフニューラルネットワークによるグラフ要約【JST・京大機械翻訳】

Graph Summarization with Graph Neural Networks

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (5件)： , , , ,
資料名：
発行年： 2022年03月11日プレプリントサーバーでの情報更新日： 2022年12月08日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

グラフ要約の目標は,構造化でコンパクトな方法で大きなグラフを表現することである。等価クラスに基づくグラフ要約は,頂点ラベルとエッジラベルのようなkホップ近傍内のグラフ頂点の事前定義特徴を保存する。これらの近傍特性に基づいて,頂点を等価クラスに割り当てた。割り当てられた等価クラスの計算は,予め定義された特徴に関する置換不変操作である。これは,特徴値,例えば,計算的に高価であり,その結果をハッシングするエッジラベルのソーティングによって達成される。グラフニューラルネットワーク(GNN)は,置換不変性要求を満たした。k-ホップ近傍の根頂点に関する部分グラフ分類タスクとしてグラフ要約の問題を定式化した。構造的グラフ要約タスクを実行するために,一般的なメッセージパッシングプロトコルと代替アプローチの両方に基づいて,異なるGNNアーキテクチャを適応させた。非神経法として標準多層パーセプトロン(MLP)とBloomフィルタとの異なるGNNを比較した。著者らの実験では,大きなWebグラフに関する4つの一般的なグラフ要約モデルを考察した。これは,576から数百万までのクラス数を持つ,挑戦的なマルチクラス頂点分類タスクに似ている。その結果,GNNの性能は互いに近いことを示した。4つの実験のうち3つで,非メッセージ通過グラフMLPモデルは他のGNNより優れている。標準MLPの性能は,特に多くのクラスの存在下で,非常に良い。最後に,Bloomフィルタは,576クラスの最小数を持つデータセットを除いて,大きなマージンによってすべてのニューラルアーキテクチャより優れている。【JST・京大機械翻訳】

, , , , , , , , , ,
, , , , 【Automatic Indexing@JST】

グラフ理論基礎

前のページに戻る