グラフ機械学習

Accedi

approfondimento - グラフ機械学習

ClassContrastは、グラフの空間的情報と文脈的情報を統合することで、ホモフィリックおよびヘテロフィリックな設定において頑健な埋め込みを生成する。

グラフプーリング手法の有効性、堅牢性、一般化可能性を包括的に評価し、その長所短所を明らかにする。

提案するPropEncは、任意のグラフメトリックを柔軟にエンコーディングできる汎用的な手法である。ヒストグラム表現とリバースインデックスエンコーディングを組み合わせることで、次元数や入力の種類に依存せずに、効率的かつ効果的にノード特徴量を構築できる。

グラフ異常検出は、グラフデータ内の異常なグラフインスタンス(ノード、エッジ、サブグラフ、グラフ)を特定することを目的とする。近年、グラフニューラルネットワーク(GNN)を用いた深層学習アプローチが、グラフ構造や属性情報を効果的にモデル化できるため、グラフ異常検出の有望なパラダイムとなっている。

グラフ構造の違いがノード埋め込みの分布シフトを引き起こし、グラフ転移学習におけるネガティブトランスファーの主な原因となることを明らかにした。サブグラフ情報を活用することで、この問題を効果的に解決できることを示した。

グラフ機械学習の自動化は、様々なグラフ関連タスクに最適なアルゴリズムを手動で設計することの困難さに対処するために注目を集めている。自動グラフ機械学習は、ハイパーパラメータ最適化とニューラルアーキテクチャ探索を通じて、人手による設計なしにグラフタスクに最適なモデルを発見することを目指している。

エッジレベルのイーゴーネットワークエンコーディングを導入することで、メッセージパッシングGNNの表現力を向上させることができる。

GRANOLAは、グラフの特性を学習して動的に正規化パラメータを生成することで、グラフ構造に適応的な正規化を実現する。これにより、従来の正規化手法よりも優れた性能を示す。

グラフデータの構造的バイアスを軽減し、公平性と性能のバランスを取るための新しいフレームワークを提案する。教師付きコントラスト損失と環境損失を導入し、コンテンツ情報と環境情報の分離を促進する。

グラフスペクトル情報を直接エンコードするグラフスペクトルトークンを提案し、グラフトランスフォーマーの性能を大幅に向上させた。

Chi Siamo

Prodotti

Risorse