Global graph features unveiled by unsupervised geometric deep learning

要約

グラフは複雑なシステムをモデリングするための強力なフレームワークを提供しますが、その構造的変動性により分析と分類が困難になります。
これに対処するために、Gaudi（グラフ自動エンコーダーが記述情報を明らかにするグラフ自動エンコーダー）を紹介します。これは、ローカルの詳細とグローバル構造の両方を捉えた監視されていない幾何学的な深い学習フレームワークです。
Gaudiは、階層的なプーリングとアップサンプリングレイヤーを備えた革新的な砂時計アーキテクチャを採用しており、スキップ接続を通じてリンクして、エンコーディングデコードプロセス全体で必須の接続情報を保存します。
同じ基礎となるパラメーターから生成されたシステムの異なる実現を、連続的で構造化された潜在スペースにマッピングすることにより、Gaudi Disentangles不変プロセスレベルの機能を確率的ノイズから。
小規模ネットワークのモデリング、超解像度顕微鏡からのタンパク質アセンブリの特徴づけ、VicSekモデルの集合的な動きの分析、脳のつながりの年齢に関連した変化のキャプチャなど、複数のアプリケーションにわたってそのパワーを実証します。
このアプローチは、複雑なグラフの分析を改善するだけでなく、多様な科学的領域全体の緊急現象に関する新しい洞察も提供します。

要約(オリジナル)

Graphs provide a powerful framework for modeling complex systems, but their structural variability makes analysis and classification challenging. To address this, we introduce GAUDI (Graph Autoencoder Uncovering Descriptive Information), a novel unsupervised geometric deep learning framework that captures both local details and global structure. GAUDI employs an innovative hourglass architecture with hierarchical pooling and upsampling layers, linked through skip connections to preserve essential connectivity information throughout the encoding-decoding process. By mapping different realizations of a system – generated from the same underlying parameters – into a continuous, structured latent space, GAUDI disentangles invariant process-level features from stochastic noise. We demonstrate its power across multiple applications, including modeling small-world networks, characterizing protein assemblies from super-resolution microscopy, analyzing collective motion in the Vicsek model, and capturing age-related changes in brain connectivity. This approach not only improves the analysis of complex graphs but also provides new insights into emergent phenomena across diverse scientific domains.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google