論文の概要: MAGNN: Metapath Aggregated Graph Neural Network for Heterogeneous Graph Embedding

• arxiv url: http://arxiv.org/abs/2002.01680v2
• Date: Tue, 31 Mar 2020 03:51:52 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-03 21:57:02.081613
• Title: MAGNN: Metapath Aggregated Graph Neural Network for Heterogeneous Graph Embedding
• Title（参考訳）: MAGNN: 異種グラフ埋め込みのためのメタパス集約グラフニューラルネットワーク
• Authors: Xinyu Fu, Jiani Zhang, Ziqiao Meng, Irwin King
• Abstract要約: 本稿では,Metapath Aggregated Graph Neural Network (MAGNN) と呼ばれる新しいモデルを提案する。 MAGNNは、入力ノード属性をカプセル化するノードコンテンツ変換、中間的なセマンティックノードを組み込むMetapath内アグリゲーション、複数のメタパスからのメッセージを統合するMetapath間アグリゲーションという3つの主要なコンポーネントを使用している。 実験により、MAGNNは最先端のベースラインよりも正確な予測結果が得られることが示された。
• 参考スコア（独自算出の注目度）: 36.6390478350677
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: A large number of real-world graphs or networks are inherently heterogeneous, involving a diversity of node types and relation types. Heterogeneous graph embedding is to embed rich structural and semantic information of a heterogeneous graph into low-dimensional node representations. Existing models usually define multiple metapaths in a heterogeneous graph to capture the composite relations and guide neighbor selection. However, these models either omit node content features, discard intermediate nodes along the metapath, or only consider one metapath. To address these three limitations, we propose a new model named Metapath Aggregated Graph Neural Network (MAGNN) to boost the final performance. Specifically, MAGNN employs three major components, i.e., the node content transformation to encapsulate input node attributes, the intra-metapath aggregation to incorporate intermediate semantic nodes, and the inter-metapath aggregation to combine messages from multiple metapaths. Extensive experiments on three real-world heterogeneous graph datasets for node classification, node clustering, and link prediction show that MAGNN achieves more accurate prediction results than state-of-the-art baselines.
• Abstract（参考訳）: 多数の実世界のグラフやネットワークは本質的に異種であり、ノードタイプや関連タイプが多様である。 ヘテロジニアスグラフ埋め込みは、ヘテロジニアスグラフのリッチな構造的および意味的情報を低次元ノード表現に埋め込むことである。 既存のモデルは通常、複合関係をキャプチャし隣人選択を導くために異種グラフで複数のメタパスを定義する。 しかし、これらのモデルはノードの内容の特徴を省略するか、メタパスに沿って中間ノードを破棄するか、1つのメタパスしか考慮しない。 これら3つの制限に対処するため,Metapath Aggregated Graph Neural Network (MAGNN) と呼ばれる新しいモデルを提案する。 具体的には、入力ノード属性をカプセル化するノード内容変換、中間的なセマンティックノードを組み込むMetapath内アグリゲーション、複数のメタパスからのメッセージを統合するMetapath間アグリゲーションの3つの主要なコンポーネントを使用する。 ノード分類、ノードクラスタリング、リンク予測のための3つの実世界の異種グラフデータセットに対する大規模な実験は、MAGNNが最先端のベースラインよりも正確な予測結果を達成していることを示している。

関連論文リスト

• HAGNN: Hybrid Aggregation for Heterogeneous Graph Neural Networks [15.22198175691658]
  異種グラフニューラルネットワーク(GNN)は異種グラフの処理に成功している。 近年の研究では、メタパスを持たない単純な同質グラフモデルでも同等の結果が得られることが指摘されている。 ヘテロジニアスグラフにおけるリッチな型意味情報(HAGNN)を包括的に活用するための新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-07-04T10:40:20Z)
• Seq-HGNN: Learning Sequential Node Representation on Heterogeneous Graph [57.2953563124339]
  本稿では,シーケンシャルノード表現,すなわちSeq-HGNNを用いた新しい異種グラフニューラルネットワークを提案する。 Heterogeneous Graph Benchmark (HGB) と Open Graph Benchmark (OGB) の4つの広く使われているデータセットについて広範な実験を行った。
  論文  参考訳（メタデータ） (2023-05-18T07:27:18Z)
• Meta-Path Based Attentional Graph Learning Model for Vulnerability Detection [21.10614864296154]
  本稿では,MAGNET と呼ばれるコード vulNErability deTection のためのメタパスに基づく注意グラフ学習モデルを提案する。 メタパスに基づく階層型注目グラフニューラルネットワークも提案され,グラフ内の遠隔ノード間の関係を捉える。 その結果, MAGNETはF1スコアにおいて, それぞれ6.32%, 21.50%, 25.40%で最高のベースライン法より優れていた。
  論文  参考訳（メタデータ） (2022-12-29T11:51:47Z)
• MECCH: Metapath Context Convolution-based Heterogeneous Graph Neural Networks [45.68142605304948]
  複数のノードとエッジを持つ構造データの表現学習のために、不均一グラフニューラルネットワーク(HGNN)が提案された。 メタパスコンテキスト畳み込みに基づく異種グラフニューラルネットワーク(MECCH)を提案する。
  論文  参考訳（メタデータ） (2022-11-23T09:13:33Z)
• SHGNN: Structure-Aware Heterogeneous Graph Neural Network [77.78459918119536]
  本稿では、上記の制約に対処する構造対応不均一グラフニューラルネットワーク(SHGNN)を提案する。 まず,メタパス内の中間ノードの局所構造情報を取得するために,特徴伝搬モジュールを利用する。 次に、ツリーアテンションアグリゲータを使用して、グラフ構造情報をメタパス上のアグリゲーションモジュールに組み込む。 最後に、メタパスアグリゲータを利用して、異なるメタパスから集約された情報を融合する。
  論文  参考訳（メタデータ） (2021-12-12T14:18:18Z)
• Explicit Pairwise Factorized Graph Neural Network for Semi-Supervised Node Classification [59.06717774425588]
  本稿では,グラフ全体を部分的に観測されたマルコフ確率場としてモデル化するEPFGNN(Explicit Pairwise Factorized Graph Neural Network)を提案する。 出力-出力関係をモデル化するための明示的なペアワイズ要素を含み、入力-出力関係をモデル化するためにGNNバックボーンを使用する。 本研究では,グラフ上での半教師付きノード分類の性能を効果的に向上できることを示す。
  論文  参考訳（メタデータ） (2021-07-27T19:47:53Z)
• Higher-Order Attribute-Enhancing Heterogeneous Graph Neural Networks [67.25782890241496]
  異種ネットワーク表現学習のための高次属性強化グラフニューラルネットワーク(HAEGNN)を提案する。 HAEGNNは、リッチで異質なセマンティクスのためのメタパスとメタグラフを同時に組み込む。 ノード分類、ノードクラスタリング、可視化における最先端の手法よりも優れたパフォーマンスを示す。
  論文  参考訳（メタデータ） (2021-04-16T04:56:38Z)
• Metapaths guided Neighbors aggregated Network for?Heterogeneous Graph Reasoning [5.228629954007088]
  メタパス誘導隣り合わせ型非均質グラフニューラルネットワークを提案し,性能向上を図る。 提案したMHNの3つの実世界の異種グラフデータセットに対する広範な実験を行った。
  論文  参考訳（メタデータ） (2021-03-11T05:42:06Z)
• Learning the Implicit Semantic Representation on Graph-Structured Data [57.670106959061634]
  グラフ畳み込みネットワークにおける既存の表現学習手法は主に、各ノードの近傍を知覚全体として記述することで設計される。 本稿では,グラフの潜在意味パスを学習することで暗黙的な意味を探索する意味グラフ畳み込みネットワーク(sgcn)を提案する。
  論文  参考訳（メタデータ） (2021-01-16T16:18:43Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。