論文の概要: Tree Structure-Aware Graph Representation Learning via Integrated Hierarchical Aggregation and Relational Metric Learning

• arxiv url: http://arxiv.org/abs/2008.10003v2
• Date: Mon, 21 Sep 2020 05:59:43 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-26 03:21:38.386879
• Title: Tree Structure-Aware Graph Representation Learning via Integrated Hierarchical Aggregation and Relational Metric Learning
• Title（参考訳）: 階層的アグリゲーションとリレーショナル・メトリック・ラーニングの統合による木構造認識グラフ表現学習
• Authors: Ziyue Qiao, Pengyang Wang, Yanjie Fu, Yi Du, Pengfei Wang, Yuanchun Zhou
• Abstract要約: グラフ表現学習のための木構造対応グラフニューラルネットワークモデルT-GNNを提案する。 提案するT-GNNは,(1)階層型集約モジュールと(2)関係計量学習モジュールの2つのモジュールから構成される。
• 参考スコア（独自算出の注目度）: 26.8738194817491
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: While Graph Neural Network (GNN) has shown superiority in learning node representations of homogeneous graphs, leveraging GNN on heterogeneous graphs remains a challenging problem. The dominating reason is that GNN learns node representations by aggregating neighbors' information regardless of node types. Some work is proposed to alleviate such issue by exploiting relations or meta-path to sample neighbors with distinct categories, then use attention mechanism to learn different importance for different categories. However, one limitation is that the learned representations for different types of nodes should own different feature spaces, while all the above work still project node representations into one feature space. Moreover, after exploring massive heterogeneous graphs, we identify a fact that multiple nodes with the same type always connect to a node with another type, which reveals the many-to-one schema, a.k.a. the hierarchical tree structure. But all the above work cannot preserve such tree structure, since the exact multi-hop path correlation from neighbors to the target node would be erased through aggregation. Therefore, to overcome the limitations of the literature, we propose T-GNN, a tree structure-aware graph neural network model for graph representation learning. Specifically, the proposed T-GNN consists of two modules: (1) the integrated hierarchical aggregation module and (2) the relational metric learning module. The integrated hierarchical aggregation module aims to preserve the tree structure by combining GNN with Gated Recurrent Unit to integrate the hierarchical and sequential neighborhood information on the tree structure to node representations. The relational metric learning module aims to preserve the heterogeneity by embedding each type of nodes into a type-specific space with distinct distribution based on similarity metrics.
• Abstract（参考訳）: グラフニューラルネットワーク(gnn)は、均質グラフのノード表現を学習する上で優れているが、ヘテロジニアスグラフでのgnnの利用は依然として難しい課題である。 支配的な理由は、GNNがノードの種類に関係なく隣人の情報を集約することでノード表現を学ぶことである。 このような問題を、異なるカテゴリを持つサンプル隣人との関係やメタパスを利用して緩和し、異なるカテゴリの異なる重要性を学習するために注意機構を利用する研究が提案されている。 しかし、1つの制限は、異なるタイプのノードに対する学習された表現が異なる特徴空間を所有すべきである一方で、上記の全ての作業は依然として1つの特徴空間にプロジェクションノード表現を投影することである。 さらに,大規模な異種グラフを探索した結果,同一型を持つ複数のノードが常にノードと別のタイプをつなぐという事実を識別し,階層木構造(階層木構造)の多対一スキーマを明らかにする。 しかし、上記のすべての作業は、隣接ノードから対象ノードへの正確なマルチホップパス相関はアグリゲーションによって消去されるため、そのような木構造を保存できない。 そこで本研究では,グラフ表現学習のための木構造対応グラフニューラルネットワークモデルであるT-GNNを提案する。 具体的には,T-GNNは,(1)階層型集約モジュールと(2)関係計量学習モジュールの2つのモジュールから構成される。 本モジュールは,GNNとGated Recurrent Unitを組み合わせることで木構造を保存し,木構造上の階層的およびシーケンシャルな近傍情報をノード表現に統合することを目的としている。 relational metric learningモジュールは、各タイプのノードを、類似度メトリクスに基づいて異なる分布を持つタイプ固有の空間に埋め込むことで、異質性を保存することを目的としている。

関連論文リスト

• Incorporating Heterophily into Graph Neural Networks for Graph Classification [6.709862924279403]
  グラフニューラルネットワーク(GNN)は、しばしばグラフ分類において強いホモフィリを仮定し、ヘテロフィリを考えることは滅多にない。 We developed a novel GNN architecture called IHGNN (short for Incorporated Heterophily into Graph Neural Networks) 我々は、様々なグラフデータセット上でIHGNNを実証的に検証し、グラフ分類のための最先端のGNNよりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-03-15T06:48:35Z)
• A Variational Edge Partition Model for Supervised Graph Representation Learning [51.30365677476971]
  本稿では,重なり合うノード群間の相互作用を集約することで,観測されたエッジがどのように生成されるかをモデル化するグラフ生成プロセスを提案する。 それぞれのエッジを複数のコミュニティ固有の重み付きエッジの和に分割し、コミュニティ固有のGNNを定義する。 エッジを異なるコミュニティに分割するGNNベースの推論ネットワーク,これらのコミュニティ固有のGNN,およびコミュニティ固有のGNNを最終分類タスクに組み合わせたGNNベースの予測器を共同で学習するために,変分推論フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-02-07T14:37:50Z)
• 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)
• Graph Neural Networks with Feature and Structure Aware Random Walk [7.143879014059894]
  典型的な好適なグラフでは、エッジを指向する可能性があり、エッジをそのまま扱うか、あるいは単純に非指向にするかは、GNNモデルの性能に大きな影響を与える。 そこで我々は,グラフの方向性を適応的に学習するモデルを開発し,ノード間の長距離相関を生かした。
  論文  参考訳（メタデータ） (2021-11-19T08:54:21Z)
• HMSG: Heterogeneous Graph Neural Network based on Metapath Subgraph Learning [2.096172374930129]
  我々はHMSGという新しい異種グラフニューラルネットワークモデルを提案する。 異種グラフを複数の部分グラフに分解する。 各サブグラフは、特定の意味情報と構造情報を関連付ける。 タイプ固有の属性変換を通じて、ノード属性を異なるタイプのノード間で転送することもできる。
  論文  参考訳（メタデータ） (2021-09-07T05:02:59Z)
• 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)
• Reinforced Neighborhood Selection Guided Multi-Relational Graph Neural Networks [68.9026534589483]
  RioGNNはReinforceed, recursive, flexible neighborhood selection guided multi-relational Graph Neural Network architectureである。 RioGNNは、各関係の個々の重要性の認識により、説明性を高めた差別的なノード埋め込みを学ぶことができる。
  論文  参考訳（メタデータ） (2021-04-16T04:30:06Z)
• Graph Neural Networks with Composite Kernels [60.81504431653264]
  カーネル重み付けの観点からノード集約を再解釈する。 本稿では,アグリゲーション方式における特徴類似性を考慮したフレームワークを提案する。 特徴空間における特徴類似性をエンコードするために,元の隣り合うカーネルと学習可能なカーネルの合成として特徴集約を提案する。
  論文  参考訳（メタデータ） (2020-05-16T04:44:29Z)
• MAGNN: Metapath Aggregated Graph Neural Network for Heterogeneous Graph Embedding [36.6390478350677]
  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。
  論文  参考訳（メタデータ） (2020-02-05T08:21:00Z)
• 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。

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。