グラフニューラルネットワークのための汎用的なプロパティエンコーダ
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。
グラフ異常検出の深層学習アプローチ：包括的レビューと新しい視点
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。
グラフ上のネガティブトランスファーに取り組む - サブグラフプーリングの活用
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: アプローチ、ライブラリ、ベンチマーク、および方向性
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。
グラフ内部の構造情報を活用することで、メッセージパッシングGNNの表現力を向上させる
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。
グラフ機械学習における大規模言語モデル(LLM)の活用
大規模言語モデル(LLM)の登場により、グラフ機械学習の一般化、転移学習能力、少量学習能力が大幅に向上している。一方で、LLMにも限界があり、グラフ構造を活用することでLLMの推論能力や説明性を高められる可能性がある。
グラフニューラルネットワークのための適応的正規化手法GRANOLA
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。
グラフニューラルネットワークにおける公平性の確保 - 教師付きコントラスト正則化の活用
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。
グラフ構造情報を効果的に取り入れたグラフトランスフォーマーの提案 - グラフスペクトルトークンによるグラフ変換器の強化
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。
グラフニューラルネットワークの過剰な圧縮と過剰な平滑化に対するスペクトル的なグラフ剪定
グラフニューラルネットワークでは、トポロジカルなボトルネックによる過剰な圧縮と、繰り返しの情報集約による過剰な平滑化という二つの問題が存在する。本研究では、エッジの削除によってこれらの問題を同時に解決できることを示す。スペクトルギャップの最大化を目的とした効率的なグラフ修正アルゴリズムを提案し、大規模な異質性の高いデータセットでの有効性を実証する。
