지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 자료유형
- 학술저널
- 저자정보
- 저널정보
- 한국정보처리학회 JIPS(Journal of Information Processing Systems) Journal of Information Processing Systems Vol.20 No.4
- 발행연도
- 2024.8
- 수록면
- 501 - 513 (13page)
- DOI
- 10.3745/JIPS.04.0315
이용수
초록· 키워드
오류제보하기
In recent years, graph neural networks (GNNs) have been extensively used to analyze graph data across variousdomains because of their powerful capabilities in learning complex graph-structured data. However, recentresearch has focused on improving the performance of a single GNN with only two or three layers. This isbecause stacking layers deeply causes the over-smoothing problem of GNNs, which degrades the performanceof GNNs significantly. On the other hand, ensemble methods combine individual weak models to obtain bettergeneralization performance. Among them, gradient boosting is a powerful supervised learning algorithm thatadds new weak models in the direction of reducing the errors of the previously created weak models. Afterrepeating this process, gradient boosting combines the weak models to produce a strong model with betterperformance. Until now, most studies on GNNs have focused on improving the performance of a single GNN.
In contrast, improving the performance of GNNs using multiple GNNs has not been studied much yet. In thispaper, we propose gradient boosted graph neural networks (GBGNN) that combine multiple shallow GNNswith gradient boosting. We use shallow GNNs as weak models and create new weak models using the proposedgradient boosting-based loss function. Our empirical evaluations on three real-world datasets demonstrate thatGBGNN performs much better than a single GNN. Specifically, in our experiments using graph convolutionalnetwork (GCN) and graph attention network (GAT) as weak models on the Cora dataset, GBGNN achievesperformance improvements of 12.3%p and 6.1%p in node classification accuracy compared to a single GCNand a single GAT, respectively.
목차
등록된 정보가 없습니다.
참고문헌 (0)
참고문헌 신청함께 읽어보면 좋을 논문
논문 유사도에 따라 DBpia 가 추천하는 논문입니다. 함께 보면 좋을 연관 논문을 확인해보세요!
-
NP 문제 해결을 위한 GNN 모델 제안
한국정보통신학회 종합학술대회 논문집
2024 .10
-
GNN 을 적용한 네트워크 관리 연구
한국통신학회 학술대회논문집
2020 .02
-
Congestion Propagation modelling with Graph Neural Network (GNN)
대한산업공학회 추계학술대회 논문집
2020 .11
-
GNN 을 활용한 비전 기반 작업자 자세 측정 알고리즘 개발
한국정밀공학회 학술발표대회 논문집
2023 .05
-
Edgeless Network Embedding in Attributed Networks
한국통신학회 학술대회논문집
2021 .06
-
Mobility 정보를 활용한 GNN 기반의 위치측위 기법
한국통신학회 학술대회논문집
2023 .06
-
GNN을 사용한 도로 네트워크 데이터 분석 방법
한국정보기술학회논문지
2025 .02
-
대규모 MIMO 검출을 위한 그래프 신경망(GNN)의 활용, 신경망 기술을 통한 복잡성 관리
한국통신학회 학술대회논문집
2024 .06
-
실생활 그래프 데이터셋에서의 GNN과 MLP의 노드 분류 성능 차이 요인 분석
한국정보과학회 학술발표논문집
2024 .12
-
Concept-Aided Explanation of Graph Neural Networks
한국통신학회 학술대회논문집
2021 .06
-
그래프 뉴럴 네트워크(GNN)를 이용한 메탈릭 글래스의 초기 전단 변형 원자들의 예측연구
대한기계학회 춘추학술대회
2021 .08
-
GNN 기반 사용자 방문 추천 시스템
Proceedings of KIIT Conference
2024 .05
-
에너지 절감을 위한 GNN 기반 제지공정 분석 및 시계열 예측
한국통신학회 인공지능 학술대회 논문집
2024 .09
-
The efficient use of highly disconnected meshes in graph neural network based structural solid simulation
대한기계학회 춘추학술대회
2024 .11
-
지역 간 스펙트럼 유사도를 통한 GNN 기반의 인플루엔자 예측 기법
한국정보과학회 학술발표논문집
2022 .06
-
MV-GNN: Multi-View Graph Neural Networks for CTR Prediction
한국지능정보시스템학회 학술대회논문집
2022 .06
-
그래프 신경망을 이용한 3D 휠 성능 예측 기초 연구
대한기계학회 춘추학술대회
2022 .05
-
분자 구조 분석을 위한 GNN에 설명 가능한 인공지능 적용
한국통신학회 학술대회논문집
2023 .02
-
슈퍼픽셀 기반 사진 압축 최적화를 통한 GNN의 성능 개선
한국통신학회 학술대회논문집
2022 .06
-
GNN을 이용한 환치기 네트워크 탐색
한국정보과학회 학술발표논문집
2022 .12
최근 본 자료
댓글(0)
0