論文の概要: A comparative study of similarity-based and GNN-based link prediction approaches

• arxiv url: http://arxiv.org/abs/2008.08879v1
• Date: Thu, 20 Aug 2020 10:41:53 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-27 04:07:48.544836
• Title: A comparative study of similarity-based and GNN-based link prediction approaches
• Title（参考訳）: 類似性に基づくGNNに基づくリンク予測手法の比較研究
• Authors: Md Kamrul Islam and Sabeur Aridhi and Malika Smail-Tabbone
• Abstract要約: グラフニューラルネットワーク(GNN)は、グラフ内のリンク予測タスクに使用できるグラフから隠れた特徴を学習することができる。 本稿では、同次グラフの領域における類似性とGNNに基づくリンク予測手法について検討する。
• 参考スコア（独自算出の注目度）: 1.0441880303257467
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The task of inferring the missing links in a graph based on its current structure is referred to as link prediction. Link prediction methods that are based on pairwise node similarity are well-established approaches in the literature. They show good prediction performance in many real-world graphs though they are heuristics and lack of universal applicability. On the other hand, the success of neural networks for classification tasks in various domains leads researchers to study them in graphs. When a neural network can operate directly on the graph, then it is termed as the graph neural network (GNN). GNN is able to learn hidden features from graphs which can be used for link prediction task in graphs. Link predictions based on GNNs have gained much attention of researchers due to their convincing high performance in many real-world graphs. This appraisal paper studies some similarity and GNN-based link prediction approaches in the domain of homogeneous graphs that consists of a single type of (attributed) nodes and single type of pairwise links. We evaluate the studied approaches against several benchmark graphs with different properties from various domains.
• Abstract（参考訳）: グラフ中の欠落したリンクを現在の構造に基づいて推定するタスクをリンク予測と呼ぶ。 ペアワイズノード類似性に基づくリンク予測手法は、文献において確立されたアプローチである。 多くの実世界のグラフで良い予測性能を示すが、ヒューリスティックであり、普遍的な適用性がない。 一方、様々な分野における分類タスクのためのニューラルネットワークの成功は、研究者をグラフで研究させることに繋がる。 ニューラルネットワークがグラフ上で直接動作する場合、グラフニューラルネットワーク(GNN)と呼ばれる。 GNNはグラフ内のリンク予測タスクに使用できるグラフから隠れた機能を学ぶことができる。 GNNに基づくリンク予測は、多くの実世界のグラフで説得力のあるハイパフォーマンスのため、研究者の注目を集めている。 この評価論文は、一種類の(分散)ノードと一種類のペアワイズリンクからなる同質グラフの領域における類似性とGNNベースのリンク予測アプローチについて研究する。 様々な領域の異なる複数のベンチマークグラフに対する研究手法の評価を行った。

関連論文リスト

• Generative Graph Neural Networks for Link Prediction [13.643916060589463]
  欠落したリンクを推測したり、観測されたグラフに基づいて急激なリンクを検出することは、グラフデータ分析における長年の課題である。 本稿では,GraphLPと呼ばれるネットワーク再構成理論に基づく,新しい,根本的に異なるリンク予測アルゴリズムを提案する。 リンク予測に使用される識別ニューラルネットワークモデルとは異なり、GraphLPは生成可能であり、ニューラルネットワークベースのリンク予測の新しいパラダイムを提供する。
  論文  参考訳（メタデータ） (2022-12-31T10:07:19Z)
• Similarity-aware Positive Instance Sampling for Graph Contrastive Pre-training [82.68805025636165]
  トレーニングセット内の既存グラフから直接正のグラフインスタンスを選択することを提案する。 私たちの選択は、特定のドメイン固有のペアワイズ類似度測定に基づいています。 さらに,ノードを動的にマスキングしてグラフ上に均等に分配する適応ノードレベルの事前学習手法を開発した。
  論文  参考訳（メタデータ） (2022-06-23T20:12:51Z)
• 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)
• Graph Neural Networks for Graphs with Heterophily: A Survey [98.45621222357397]
  異種グラフに対するグラフニューラルネットワーク(GNN)の総合的なレビューを提供する。 具体的には,既存の異好性GNNモデルを本質的に支配する系統分類法を提案する。 グラフヘテロフィリーと様々なグラフ研究領域の相関を議論し、より効果的なGNNの開発を促進することを目的とした。
  論文  参考訳（メタデータ） (2022-02-14T23:07:47Z)
• Neighborhood Random Walk Graph Sampling for Regularized Bayesian Graph Convolutional Neural Networks [0.6236890292833384]
  本稿では,近隣ランダムウォークサンプリング(BGCN-NRWS)を用いたベイジアングラフ畳み込みネットワーク(Bayesian Graph Convolutional Network)を提案する。 BGCN-NRWSは、グラフ構造を利用したマルコフ・チェイン・モンテカルロ(MCMC)に基づくグラフサンプリングアルゴリズムを使用し、変分推論層を用いてオーバーフィッティングを低減し、半教師付きノード分類における最先端と比較して一貫して競合する分類結果を得る。
  論文  参考訳（メタデータ） (2021-12-14T20:58:27Z)
• How Neural Processes Improve Graph Link Prediction [35.652234989200956]
  リンク予測のためのグラフニューラルネットワークを用いたメタラーニング手法:グラフニューラルネットワークのためのニューラルプロセス(NPGNN)を提案する。 NPGNNは、トランスダクティブな学習タスクとインダクティブな学習タスクの両方を実行し、小さなサブグラフでトレーニングした後、大きな新しいグラフのパターンに適応することができる。
  論文  参考訳（メタデータ） (2021-09-30T07:35:13Z)
• Benchmarking Graph Neural Networks on Link Prediction [80.2049358846658]
  リンク予測のための異なるデータセット上で,既存のグラフニューラルネットワーク(GNN)モデルをベンチマークする。 実験により,これらのGNNアーキテクチャは,リンク予測タスクの様々なベンチマークでも同様に動作することを示す。
  論文  参考訳（メタデータ） (2021-02-24T20:57:16Z)
• Line Graph Neural Networks for Link Prediction [71.00689542259052]
  実世界の多くのアプリケーションにおいて古典的なグラフ解析問題であるグラフリンク予測タスクについて検討する。 このフォーマリズムでは、リンク予測問題をグラフ分類タスクに変換する。 本稿では,線グラフをグラフ理論に用いて,根本的に異なる新しい経路を求めることを提案する。 特に、線グラフの各ノードは、元のグラフのユニークなエッジに対応するため、元のグラフのリンク予測問題は、グラフ分類タスクではなく、対応する線グラフのノード分類問題として等価に解決できる。
  論文  参考訳（メタデータ） (2020-10-20T05:54:31Z)
• Learning to Extrapolate Knowledge: Transductive Few-shot Out-of-Graph Link Prediction [69.1473775184952]
  数発のアウトオブグラフリンク予測という現実的な問題を導入する。 我々は,新しいメタ学習フレームワークによってこの問題に対処する。 我々は,知識グラフの補完と薬物と薬物の相互作用予測のために,複数のベンチマークデータセット上でモデルを検証した。
  論文  参考訳（メタデータ） (2020-06-11T17:42:46Z)

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。