論文の概要: Interpretable and Efficient Heterogeneous Graph Convolutional Network
- arxiv url: http://arxiv.org/abs/2005.13183v3
- Date: Wed, 8 Sep 2021 02:08:51 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-28 08:30:19.912718
- Title: Interpretable and Efficient Heterogeneous Graph Convolutional Network
- Title（参考訳）: 解釈可能で効率的なグラフ畳み込みネットワーク
- Authors: Yaming Yang, Ziyu Guan, Jianxin Li, Wei Zhao, Jiangtao Cui, Quan Wang
- Abstract要約: 異種情報ネットワーク(HIN)におけるオブジェクトの表現を学習するための、解釈可能で効率的な異種グラフ畳み込みネットワーク(e-HGCN)を提案する。
ie-HGCNは、長さ制限内で可能なすべてのメタパスから、各オブジェクトの有用なメタパスを自動的に抽出することができる。
また、中間HIN変換や近傍の注意を回避して計算コストを削減できる。
- 参考スコア（独自算出の注目度）: 27.316334213279973
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Graph Convolutional Network (GCN) has achieved extraordinary success in
learning effective task-specific representations of nodes in graphs. However,
regarding Heterogeneous Information Network (HIN), existing HIN-oriented GCN
methods still suffer from two deficiencies: (1) they cannot flexibly explore
all possible meta-paths and extract the most useful ones for a target object,
which hinders both effectiveness and interpretability; (2) they often need to
generate intermediate meta-path based dense graphs, which leads to high
computational complexity. To address the above issues, we propose an
interpretable and efficient Heterogeneous Graph Convolutional Network (ie-HGCN)
to learn the representations of objects in HINs. It is designed as a
hierarchical aggregation architecture, i.e., object-level aggregation first,
followed by type-level aggregation. The novel architecture can automatically
extract useful meta-paths for each object from all possible meta-paths (within
a length limit), which brings good model interpretability. It can also reduce
the computational cost by avoiding intermediate HIN transformation and
neighborhood attention. We provide theoretical analysis about the proposed
ie-HGCN in terms of evaluating the usefulness of all possible meta-paths, its
connection to the spectral graph convolution on HINs, and its quasi-linear time
complexity. Extensive experiments on three real network datasets demonstrate
the superiority of ie-HGCN over the state-of-the-art methods.
- Abstract（参考訳）: グラフ畳み込みネットワーク(GCN)は、グラフ内のノードの効率的なタスク固有の表現を学習することに成功した。
しかし、ヘテロジニアス情報ネットワーク(hin)に関しては、既存のhin指向gcn法は、(1)すべての可能なメタパスを柔軟に探索し、ターゲットオブジェクトに対して最も有用なものを抽出することができない、(2)中間のメタパスベースの密集グラフを生成する必要がある、という2つの欠点がある。
上記の問題に対処するため、HINにおけるオブジェクトの表現を学習するための、解釈可能で効率的な異種グラフ畳み込みネットワーク(ie-HGCN)を提案する。
階層的なアグリゲーションアーキテクチャ、すなわちオブジェクトレベルのアグリゲーションとして設計され、次にタイプレベルのアグリゲーションが続く。
この新しいアーキテクチャは、すべての可能なメタパスから(長さ制限なしで)各オブジェクトの有用なメタパスを自動的に抽出する。
また、中間HIN変換や近傍の注意を回避して計算コストを削減できる。
提案するie-HGCNについて,すべてのメタパスの有用性,HIN上のスペクトルグラフ畳み込みへの接続,および準線形時間複雑性について理論的解析を行った。
3つの実ネットワークデータセットに対する大規模な実験は、最先端の手法よりもie-HGCNの方が優れていることを示した。
関連論文リスト
- Graph as a feature: improving node classification with non-neural graph-aware logistic regression [2.952177779219163]
Graph-aware Logistic Regression (GLR) はノード分類タスク用に設計された非神経モデルである。
GNNにアクセスできる情報のごく一部しか使わない従来のグラフアルゴリズムとは異なり、提案モデルではノードの特徴とエンティティ間の関係を同時に活用する。
論文 参考訳（メタデータ） (2024-11-19T08:32:14Z) - 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) - Heterogeneous Graph Tree Networks [8.50892442127182]
異種グラフニューラルネットワーク(HGNN)は近年,研究の関心が高まっている。
1つのクラスはメタパスベースのHGNNで、メタパスをハンドクラフトするためにドメイン知識を必要とするか、メタパスを自動的に構築するために大量の時間とメモリを消費する。
HetGTCN(Heterogeneous Graph Tree Convolutional Network)とHetGTAN(Hetogeneous Graph Tree Attention Network)の2つのモデルを提案する。
論文 参考訳（メタデータ） (2022-09-01T17:22:01Z) - Comprehensive Graph Gradual Pruning for Sparse Training in Graph Neural
Networks [52.566735716983956]
本稿では,CGPと呼ばれるグラフの段階的プルーニングフレームワークを動的にGNNに提案する。
LTHに基づく手法とは異なり、提案手法では再学習を必要とせず、計算コストを大幅に削減する。
提案手法は,既存の手法の精度を一致させたり,あるいは超えたりしながら,トレーニングと推論の効率を大幅に向上させる。
論文 参考訳（メタデータ） (2022-07-18T14:23:31Z) - Simple and Efficient Heterogeneous Graph Neural Network [55.56564522532328]
不均一グラフニューラルネットワーク(HGNN)は、不均一グラフの豊富な構造的および意味的な情報をノード表現に埋め込む強力な能力を持つ。
既存のHGNNは、同種グラフ上のグラフニューラルネットワーク(GNN)から多くのメカニズム、特に注意機構と多層構造を継承する。
本稿では,これらのメカニズムを詳細に検討し,簡便かつ効率的なヘテロジニアスグラフニューラルネットワーク(SeHGNN)を提案する。
論文 参考訳（メタデータ） (2022-07-06T10:01:46Z) - SLGCN: Structure Learning Graph Convolutional Networks for Graphs under
Heterophily [5.619890178124606]
本稿では2つの側面から問題を緩和する構造学習グラフ畳み込みネットワーク(SLGCN)を提案する。
具体的には、全ての類似ノードから特徴表現を効率的に集約するために、アンカーを用いた効率的なスペクトルクラスタリング(ESC-ANCH)を設計する。
幅広いベンチマークデータセットの実験結果は、提案されたSLGCNが、最先端のGNNよりも優れていることを示している。
論文 参考訳（メタデータ） (2021-05-28T13:00:38Z) - 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) - 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) - Multi-Level Graph Convolutional Network with Automatic Graph Learning
for Hyperspectral Image Classification [63.56018768401328]
HSI分類のための自動グラフ学習法(MGCN-AGL)を用いたマルチレベルグラフ畳み込みネットワーク(GCN)を提案する。
空間的に隣接する領域における重要度を特徴付けるために注意機構を利用することで、最も関連性の高い情報を適応的に組み込んで意思決定を行うことができる。
MGCN-AGLは局所的に生成した表現表現に基づいて画像領域間の長距離依存性を符号化する。
論文 参考訳（メタデータ） (2020-09-19T09:26:20Z) - Hierarchical Message-Passing Graph Neural Networks [12.207978823927386]
本稿では,新しい階層型メッセージパッシンググラフニューラルネットワークフレームワークを提案する。
鍵となるアイデアは、フラットグラフ内のすべてのノードをマルチレベルなスーパーグラフに再編成する階層構造を生成することである。
階層型コミュニティ対応グラフニューラルネットワーク(HC-GNN)と呼ばれる,このフレームワークを実装した最初のモデルを提案する。
論文 参考訳（メタデータ） (2020-09-08T13:11:07Z)
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。