グラフ理論とアルゴリズム

Kirjaudu sisään

näkemys - グラフ理論とアルゴリズム

グラフニューラルネットワークは、様々な攻撃に対して脆弱であるため、元のグラフ構造を復元し、モデルの性能を向上させることが重要である。本研究では、p-ラプラシアンを利用した効率的な枠組み pLapGNN を提案し、実データでの有効性を実証する。

グラフ畳み込みニューラルネットワークは、グラフ構造データの処理に有効な手法であるが、グラフ構造の変化に対する感度を理解することが重要である。本研究では、確率的なグラフ構造の変化に対するグラフ畳み込みニューラルネットワークの感度を分析し、その安定性を明らかにする。

ノードデシメーションプーリング(NDP)は、グラフの全体的な構造を保持しつつ、グラフを効率的に粗視化することができる。NDPは事前に計算されたグラフの階層的な表現を利用することで、深いGNNアーキテクチャを構築することができる。

グラフ上の一般的な畳み込み演算を実現するため、疑似座標を用いた連続カーネルを提案した。これは既存のグラフ畳み込み手法を包含し、グラフ変換器と同等の表現力を持つ。

Tietoja

Tuotteet

Resurssit