論文の概要: A Heterogeneous Dynamical Graph Neural Networks Approach to Quantify Scientific Impact

• arxiv url: http://arxiv.org/abs/2003.12042v1
• Date: Thu, 26 Mar 2020 17:15:36 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-19 22:15:38.478426
• Title: A Heterogeneous Dynamical Graph Neural Networks Approach to Quantify Scientific Impact
• Title（参考訳）: 不均一な動的グラフニューラルネットワークによる科学的影響の定量化
• Authors: Fan Zhou, Xovee Xu, Ce Li, Goce Trajcevski, Ting Zhong, Kunpeng Zhang
• Abstract要約: 論文や著者の累積的影響を明示的にモデル化し,予測するために,異種動的グラフニューラルネットワーク(HDGNN)に基づくアプローチを提案する。 実際の引用データセットで行った実験は、論文と著者の両方の影響を予測する優れた性能を示した。
• 参考スコア（独自算出の注目度）: 39.9627229543809
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Quantifying and predicting the long-term impact of scientific writings or individual scholars has important implications for many policy decisions, such as funding proposal evaluation and identifying emerging research fields. In this work, we propose an approach based on Heterogeneous Dynamical Graph Neural Network (HDGNN) to explicitly model and predict the cumulative impact of papers and authors. HDGNN extends heterogeneous GNNs by incorporating temporally evolving characteristics and capturing both structural properties of attributed graph and the growing sequence of citation behavior. HDGNN is significantly different from previous models in its capability of modeling the node impact in a dynamic manner while taking into account the complex relations among nodes. Experiments conducted on a real citation dataset demonstrate its superior performance of predicting the impact of both papers and authors.
• Abstract（参考訳）: 科学的著作や個々の学者の長期的な影響の定量化と予測は、提案評価や新興研究分野の特定など、多くの政策決定に重要な意味を持つ。 本研究では,ヘテロジニアスな動的グラフニューラルネットワーク(hdgnn)に基づいて,論文や著者の累積影響を明示的にモデル化し,予測する手法を提案する。 hdgnnは、時間発展する特性を取り入れて不均質なgnnを拡張し、帰着グラフの構造的性質と引用行動の連続を捉えている。 HDGNNは、ノード間の複雑な関係を考慮して、動的にノードの影響をモデル化する能力において、従来のモデルと大きく異なる。 実際の引用データセットで行った実験は、論文と著者の両方の影響を予測する優れた性能を示した。

関連論文リスト

• Towards Causal Classification: A Comprehensive Study on Graph Neural Networks [9.360596957822471]
  グラフ構造化データを処理するグラフニューラルネットワーク(GNN)は因果解析の可能性を拡大した。 我々の研究は、9つのベンチマークグラフ分類モデルに展開し、7つのデータセットでその強度と汎用性をテストした。 本研究は,多種多様なデータ中心分野におけるGNNの理解と実用化の促進に有効である。
  論文  参考訳（メタデータ） (2024-01-27T15:35:05Z)
• Rethinking Causal Relationships Learning in Graph Neural Networks [24.7962807148905]
  本稿では,GNNの因果学習能力を高めるために,軽量で適応可能なGNNモジュールを提案する。 提案モジュールの有効性を実証的に検証する。
  論文  参考訳（メタデータ） (2023-12-15T08:54:32Z)
• A Metadata-Driven Approach to Understand Graph Neural Networks [17.240017543449735]
  グラフデータ特性に対するGNNの感度を解析するための$textitmetadata-driven$アプローチを提案する。 よりバランスの取れた次数分布を持つデータセットは,ノード表現の線形分離性の向上を図っている。
  論文  参考訳（メタデータ） (2023-10-30T04:25:02Z)
• DyExplainer: Explainable Dynamic Graph Neural Networks [37.16783248212211]
  我々は,動的グラフニューラルネットワーク(GNN)を高速に説明するための新しいアプローチであるDyExplainerを提案する。 DyExplainerは動的なGNNバックボーンをトレーニングし、各スナップショットでグラフの表現を抽出する。 また,事前指導型正規化を実現するために,コントラスト学習技術によるアプローチも強化する。
  論文  参考訳（メタデータ） (2023-10-25T05:26:33Z)
• Modeling Dynamic Heterogeneous Graph and Node Importance for Future Citation Prediction [26.391252682418607]
  論文の今後の引用傾向を予測するための動的ヘテロジニアスグラフとノード重要度ネットワーク(DGNI)学習フレームワークを提案する。 まず、学術ネットワーク全体の動的進化傾向を捉えるために、動的ヘテロジニアスネットワーク埋め込みモジュールが提供される。 各論文のノード重要度を明らかにするために,グローバルな一貫性関係を捉えるために,ノード重要度埋め込みモジュールを提案する。
  論文  参考訳（メタデータ） (2023-05-27T08:53:26Z)
• DEGREE: Decomposition Based Explanation For Graph Neural Networks [55.38873296761104]
  我々は,GNN予測に対する忠実な説明を提供するためにDGREEを提案する。 GNNの情報生成と集約機構を分解することにより、DECREEは入力グラフの特定のコンポーネントのコントリビューションを最終的な予測に追跡することができる。 また,従来の手法で見過ごされるグラフノード間の複雑な相互作用を明らかにするために,サブグラフレベルの解釈アルゴリズムを設計する。
  論文  参考訳（メタデータ） (2023-05-22T10:29:52Z)
• Resisting Graph Adversarial Attack via Cooperative Homophilous Augmentation [60.50994154879244]
  最近の研究では、グラフニューラルネットワークは弱く、小さな摂動によって簡単に騙されることが示されている。 本研究では,グラフインジェクションアタック(Graph Injection Attack)という,新興だが重要な攻撃に焦点を当てる。 本稿では,グラフデータとモデルの協調的同好性増強によるGIAに対する汎用防衛フレームワークCHAGNNを提案する。
  論文  参考訳（メタデータ） (2022-11-15T11:44:31Z)
• Relation Embedding based Graph Neural Networks for Handling Heterogeneous Graph [58.99478502486377]
  我々は、同種GNNが不均一グラフを扱うのに十分な能力を持つように、シンプルで効率的なフレームワークを提案する。 具体的には、エッジ型関係と自己ループ接続の重要性を埋め込むために、関係1つのパラメータのみを使用する関係埋め込みベースのグラフニューラルネットワーク(RE-GNN)を提案する。
  論文  参考訳（メタデータ） (2022-09-23T05:24:18Z)
• Graph neural networks for the prediction of molecular structure-property relationships [59.11160990637615]
  グラフニューラルネットワーク(GNN)は、分子グラフ上で直接動作する新しい機械学習手法である。 GNNは、エンドツーエンドでプロパティを学習できるため、情報記述子の必要性を回避することができる。 本稿では、分子特性予測のための2つの例を通して、GNNの基礎を説明し、GNNの応用を実証する。
  論文  参考訳（メタデータ） (2022-07-25T11:30:44Z)
• Discovering the Representation Bottleneck of Graph Neural Networks from Multi-order Interactions [51.597480162777074]
  グラフニューラルネットワーク(GNN)は、ノード機能を伝搬し、インタラクションを構築するためにメッセージパッシングパラダイムに依存している。 最近の研究は、異なるグラフ学習タスクはノード間の異なる範囲の相互作用を必要とすることを指摘している。 科学領域における2つの共通グラフ構築法、すなわち、emphK-nearest neighbor(KNN)グラフとemphfully-connected(FC)グラフについて検討する。
  論文  参考訳（メタデータ） (2022-05-15T11:38:14Z)

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。