Fugu-MT 論文翻訳(概要): Dual Graph Representation Learning

論文の概要: Dual Graph Representation Learning

arxiv url: http://arxiv.org/abs/2002.11501v1
Date: Tue, 25 Feb 2020 04:50:17 GMT
ステータス: 翻訳完了
システム内更新日: 2022-12-28 21:02:08.360044
Title: Dual Graph Representation Learning
Title（参考訳）: 双対グラフ表現学習
Authors: Huiling Zhu, Xin Luo, and Hankz Hankui Zhuo
Abstract要約: グラフ表現学習は、ノードを低次元ベクトルとして大きなグラフに埋め込む。我々は、ノードの表現を生成するために、コンテキスト対応の教師なし二重符号化フレームワーク textbfCADE を提案する。
参考スコア（独自算出の注目度）: 20.03747654879028
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Graph representation learning embeds nodes in large graphs as low-dimensional vectors and is of great benefit to many downstream applications. Most embedding frameworks, however, are inherently transductive and unable to generalize to unseen nodes or learn representations across different graphs. Although inductive approaches can generalize to unseen nodes, they neglect different contexts of nodes and cannot learn node embeddings dually. In this paper, we present a context-aware unsupervised dual encoding framework, \textbf{CADE}, to generate representations of nodes by combining real-time neighborhoods with neighbor-attentioned representation, and preserving extra memory of known nodes. We exhibit that our approach is effective by comparing to state-of-the-art methods.
Abstract（参考訳）: グラフ表現学習は、大きなグラフのノードを低次元ベクトルとして埋め込み、多くの下流アプリケーションにとって大きな利益となる。しかし、ほとんどの埋め込みフレームワークは本質的にトランスダクティブであり、未知のノードに一般化したり、異なるグラフにまたがる表現を学ぶことができない。帰納的アプローチは未知のノードに一般化できるが、異なるノードのコンテキストを無視し、二重にノード埋め込みを学ぶことはできない。本稿では,実時間近傍と隣り合わせの表現を組み合わせたノードの表現を生成し,既知のノードの余分なメモリを保存し,コンテキスト対応の非教師付きデュアルエンコーディングフレームワークである \textbf{CADE} を提案する。提案手法は最先端手法と比較して有効であることを示す。

関連論文リスト

Node Embeddings via Neighbor Embeddings [11.841966603069865]
本稿では,高次元ノード表現を生成するグラフt-SNEとグラフCNEを紹介する。グラフt-SNEとグラフCNEはどちらも局所構造保存の点で最先端のアルゴリズムよりも優れていることを示す。
論文参考訳（メタデータ） (2025-03-31T08:16:03Z)
EntailE: Introducing Textual Entailment in Commonsense Knowledge Graph Completion [54.12709176438264]
Commonsense knowledge graph(CSKG)は、名前付きエンティティ、短いフレーズ、イベントをノードとして表現するために自由形式のテキストを使用する。現在の手法では意味的類似性を利用してグラフ密度を増大させるが、ノードとその関係のセマンティックな妥当性は未探索である。そこで本研究では,CSKGノード間の暗黙的な包絡関係を見つけるために,テキストエンテーメントを導入し,同じ概念クラス内のサブグラフ接続ノードを効果的に密度化することを提案する。
論文参考訳（メタデータ） (2024-02-15T02:27:23Z)
NodeFormer: A Scalable Graph Structure Learning Transformer for Node Classification [70.51126383984555]
本稿では,任意のノード間のノード信号を効率的に伝搬する全ペアメッセージパッシング方式を提案する。効率的な計算は、カーナライズされたGumbel-Softmax演算子によって実現される。グラフ上のノード分類を含む様々なタスクにおいて,本手法の有望な有効性を示す実験を行った。
論文参考訳（メタデータ） (2023-06-14T09:21:15Z)
Self-Supervised Node Representation Learning via Node-to-Neighbourhood Alignment [10.879056662671802]
自己教師付きノード表現学習は、教師付きノードと競合する未ラベルグラフからノード表現を学ぶことを目的としている。本研究では,ノードとその周辺領域の隠蔽表現を整列させることにより,単純なyet効率の自己教師付きノード表現学習を提案する。我々は,グラフ構造化データセットの集合に対して,ノード分類性能が期待できるノード表現を,小規模から大規模に学習する。
論文参考訳（メタデータ） (2023-02-09T13:21:18Z)
Inferential SIR-GN: Scalable Graph Representation Learning [0.4699313647907615]
グラフ表現学習法は、ネットワーク内のノードの数値ベクトル表現を生成する。本研究では,ランダムグラフ上で事前学習されたモデルであるInferential SIR-GNを提案し,ノード表現を高速に計算する。このモデルではノードの構造的役割情報を捉えることができ、ノードやグラフの分類タスクにおいて、目に見えないネットワーク上で優れた性能を示すことができる。
論文参考訳（メタデータ） (2021-11-08T20:56:37Z)
A Robust and Generalized Framework for Adversarial Graph Embedding [73.37228022428663]
本稿では,AGE という逆グラフ埋め込みのための頑健なフレームワークを提案する。 AGEは、暗黙の分布から強化された負のサンプルとして偽の隣接ノードを生成する。本フレームワークでは,3種類のグラフデータを扱う3つのモデルを提案する。
論文参考訳（メタデータ） (2021-05-22T07:05:48Z)
Uniting Heterogeneity, Inductiveness, and Efficiency for Graph Representation Learning [68.97378785686723]
グラフニューラルネットワーク(GNN)は,グラフ上のノード表現学習の性能を大幅に向上させた。 GNNの過半数クラスは均質グラフのためにのみ設計されており、より有益な異種グラフに劣る適応性をもたらす。本稿では,低次ノードと高次ノードの両方のエッジに付随するヘテロジニアスなノード特徴をパッケージ化する,新しい帰納的メタパスフリーメッセージパッシング方式を提案する。
論文参考訳（メタデータ） (2021-04-04T23:31:39Z)
GraphCL: Contrastive Self-Supervised Learning of Graph Representations [20.439666392958284]
本稿では,ノード表現を自己教師型で学習するための一般的なフレームワークであるGraph Contrastive Learning (GraphCL)を提案する。グラフニューラルネットワークを用いて、同じノードの2つの表現を生成し、対照的な学習損失を利用して両者の一致を最大化する。帰納的学習と帰納的学習の両方において,本手法がノード分類ベンチマークにおいて教師なし学習の最先端性を大幅に上回っていることを示す。
論文参考訳（メタデータ） (2020-07-15T22:36:53Z)
Modeling Graph Structure via Relative Position for Text Generation from Knowledge Graphs [54.176285420428776]
グラフ-テキスト生成のための新しいトランスフォーマーベースのエンコーダデコーダアーキテクチャであるGraformerを提案する。新たなグラフの自己アテンションでは、ノードのエンコーディングは入力グラフのすべてのノードに依存します。グレーフォーマーは、これらのノード-ノードの関係を異なるアテンションヘッドに対して異なる重み付けを学習し、入力グラフの異なる連結ビューを仮想的に学習する。
論文参考訳（メタデータ） (2020-06-16T15:20:04Z)
Persona2vec: A Flexible Multi-role Representations Learning Framework for Graphs [4.133483293243257]
persona2vecはグラフ埋め込みフレームワークで、構造的コンテキストに基づいてノードの複数の表現を効率的に学習する。我々は、我々のフレームワークが既存の最先端モデルよりもはるかに高速であり、優れたパフォーマンスを実現していることを示す。
論文参考訳（メタデータ） (2020-06-04T20:03:00Z)
Graph Inference Learning for Semi-supervised Classification [50.55765399527556]
半教師付きノード分類の性能を高めるためのグラフ推論学習フレームワークを提案する。推論過程の学習には,トレーニングノードから検証ノードへの構造関係のメタ最適化を導入する。 4つのベンチマークデータセットの総合的な評価は、最先端の手法と比較して提案したGILの優位性を示している。
論文参考訳（メタデータ） (2020-01-17T02:52:30Z)

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。