그래프 신경망

Logga in

insikt - 그래프 신경망

새로운 그래프 신경망 프레임워크인 MaGNet(Model-agnostic Graph Neural Network)을 통해 다양한 차수의 이웃 정보를 효과적으로 통합하고, 영향력 있는 하위 그래프 구조를 식별하여 해석 가능한 결과를 제공한다.

방향성 그래프에서 스케일 불변성을 활용한 새로운 그래프 신경망 모델인 ScaleNet은 기존 모델들의 한계를 극복하고, 다양한 유형의 그래프에서 우수한 성능과 효율성을 달성했습니다.

본 논문에서는 그래프 표현 학습과 그래프 신경망(GNN)의 최신 발전, 특히 고차 풀링 함수를 갖춘 GNN과 분자 그래프 생성 모델에 대한 심층적인 검토를 제공합니다.

그래프 신경망(GNN)은 전통적인 조합 최적화 문제 해결 방법을 향상시킬 수 있는 잠재력이 있지만, 특히 무작위 그래프에서 좋은 초기화 및 지역 최소값 회피와 같은 과제를 해결해야 한다.

본 논문에서는 입력과 출력이 서로 다른 그래프에 정의된 작업을 처리하기 위해 두 그래프의 구조 정보를 모두 활용하는 새로운 그래프 신경망 아키텍처를 제안합니다.

이 논문에서는 그래프의 전역적 구조 정보를 활용하는 새로운 그래프 이동 연산자인 중심성 그래프 이동 연산자(CGSO)를 제안하고, 이를 그래프 신경망(GNN)에 적용하여 노드 분류 및 그래프 클러스터링 성능을 향상시키는 방법을 제시합니다.

본 논문에서는 그래프 오토인코더(GAE)의 링크 예측 성능을 향상시키기 위해 하이퍼파라미터 튜닝과 직교 임베딩 기법을 적용하고, 그 결과 GAE가 최신 모델들과 비슷한 성능을 보이면서도 계산 효율성은 더 뛰어남을 보여줍니다.

DA-MoE는 그래프의 크기에 따라 최적의 GNN 레이어 깊이가 다른 '깊이 민감도' 문제를 해결하기 위해 다양한 깊이의 GNN을 전문가로 활용하고, 그래프 구조 정보를 활용하는 게이팅 네트워크를 통해 성능을 향상시킨 새로운 MoE 프레임워크입니다.

본 논문에서는 실제 그래프 데이터셋에서 곡률 기반 재연결 기법의 효과가 제한적이며, 뛰어난 성능은 하이퍼파라미터 튜닝에서 기인한 것임을 실험적으로 보여줍니다.

본 논문에서는 제한된 fMRI 데이터 문제를 해결하기 위해 위상 정보를 보존하는 새로운 그래프 증강 기법을 제안하고, 이를 활용한 자기 지도 학습 기반 그래프 신경망 모델을 통해 신경인지 장애의 임상 경과 예측 성능을 향상시켰습니다.

Produkter

Resurser