論文の概要: Reinforcement Learning Enhanced Heterogeneous Graph Neural Network
- arxiv url: http://arxiv.org/abs/2010.13735v1
- Date: Mon, 26 Oct 2020 17:22:24 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-02 19:41:48.170942
- Title: Reinforcement Learning Enhanced Heterogeneous Graph Neural Network
- Title（参考訳）: 強化学習によるヘテロジニアスグラフニューラルネットワーク
- Authors: Zhiqiang Zhong and Cheng-Te Li and Jun Pang
- Abstract要約: ヘテロジニアス・インフォメーション・ネットワーク(HIN)におけるノードの異なるメタパスを設計するための強化学習強化ヘテロジニアス・グラフ・ニューラルネット(RL-HGNN)を提案する。
具体的には、RL-HGNNは、メタパス設計プロセスをマルコフ決定プロセスとしてモデル化し、ポリシーネットワークを使用して各ノードのメタパスを適応的に設計し、その効果的な表現を学習する。
実験の結果、RL-HGNNの有効性が示され、人間の知識によって無視された有意義なメタパスを識別できることが判明した。
- 参考スコア（独自算出の注目度）: 13.720544777078642
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Heterogeneous Information Networks (HINs), involving a diversity of node
types and relation types, are pervasive in many real-world applications.
Recently, increasing attention has been paid to heterogeneous graph
representation learning (HGRL) which aims to embed rich structural and
semantics information in HIN into low-dimensional node representations. To
date, most HGRL models rely on manual customisation of meta paths to capture
the semantics underlying the given HIN. However, the dependency on the
handcrafted meta-paths requires rich domain knowledge which is extremely
difficult to obtain for complex and semantic rich HINs. Moreover, strictly
defined meta-paths will limit the HGRL's access to more comprehensive
information in HINs. To fully unleash the power of HGRL, we present a
Reinforcement Learning enhanced Heterogeneous Graph Neural Network (RL-HGNN),
to design different meta-paths for the nodes in a HIN. Specifically, RL-HGNN
models the meta-path design process as a Markov Decision Process and uses a
policy network to adaptively design a meta-path for each node to learn its
effective representations. The policy network is trained with deep
reinforcement learning by exploiting the performance of the model on a
downstream task. We further propose an extension, RL-HGNN++, to ameliorate the
meta-path design procedure and accelerate the training process. Experimental
results demonstrate the effectiveness of RL-HGNN, and reveals that it can
identify meaningful meta-paths that would have been ignored by human knowledge.
- Abstract（参考訳）: ノードタイプと関係型の多様性を含む異種情報ネットワーク(HIN)は,多くの実世界のアプリケーションにおいて普及している。
近年,HIN にリッチな構造情報や意味情報を低次元ノード表現に組み込むヘテロジニアスグラフ表現学習 (HGRL) に注目が集まっている。
現在、ほとんどのHGRLモデルは、与えられたHINの基盤となるセマンティクスをキャプチャするために、メタパスを手動でカスタマイズしている。
しかし、手作りのメタパスへの依存は、複雑でセマンティックなHINを得るのは非常に難しい、豊富なドメイン知識を必要とする。
さらに、厳密に定義されたメタパスは、HGRLのHINにおけるより包括的な情報へのアクセスを制限する。
HGRLのパワーを完全に解き放つために、HIN内のノードごとに異なるメタパスを設計するための強化学習強化ヘテロジニアスグラフニューラルネットワーク(RL-HGNN)を提案する。
具体的には、RL-HGNNは、メタパス設計プロセスをマルコフ決定プロセスとしてモデル化し、ポリシーネットワークを使用して各ノードのメタパスを適応的に設計し、その効果的な表現を学習する。
政策ネットワークは、下流タスクにおけるモデルの性能を利用して、深い強化学習で訓練される。
さらに,メタパス設計手順の改善とトレーニングプロセスの高速化を目的とした拡張RL-HGNN++を提案する。
実験の結果、RL-HGNNの有効性が示され、人間の知識によって無視された有意義なメタパスを識別できることが判明した。
関連論文リスト
- DiRW: Path-Aware Digraph Learning for Heterophily [23.498557237805414]
グラフニューラルネットワーク(GNN)は、グラフ構造化データのための強力な表現学習ツールとして登場した。
我々は,プラグイン・アンド・プレイ戦略や革新的なニューラルアーキテクチャとみなすことができるDirected Random Walk (DiRW)を提案する。
DiRWには、歩行確率、長さ、および数の観点から最適化された方向対応パスサンプリング器が組み込まれている。
論文 参考訳（メタデータ） (2024-10-14T09:26:56Z) - Language Models are Graph Learners [70.14063765424012]
言語モデル(LM)は、グラフニューラルネットワーク(GNN)やグラフトランスフォーマー(GT)など、ドメイン固有のモデルの優位性に挑戦している。
本稿では,ノード分類タスクにおける最先端のGNNに匹敵する性能を実現するために,既製のLMを有効活用する手法を提案する。
論文 参考訳（メタデータ） (2024-10-03T08:27:54Z) - Enhancing Graph Neural Networks with Limited Labeled Data by Actively Distilling Knowledge from Large Language Models [30.867447814409623]
グラフニューラルネットワーク(GNN)は、グラフの基本課題であるノード分類において優れた能力を持つ。
本稿では,Large Language Models(LLM)とGNNを統合する新しい手法を提案する。
我々のモデルでは,ラベル付きデータによるノード分類精度を著しく向上し,最先端のベースラインをかなりのマージンで超えた。
論文 参考訳（メタデータ） (2024-07-19T02:34:10Z) - Enhancing Intra-class Information Extraction for Heterophilous Graphs:
One Neural Architecture Search Approach [41.84399177525008]
Intra-class Information Enhanced Graph Neural Networks (IIE-GNN) を提案する。
文献に基づいて統一されたフレームワークを提案し、ノード自身や近隣からのクラス内情報を抽出することができる。
また,IIE-GNNがノードワイズGNNを設計し,クラス内情報抽出を改善することにより,モデル性能を向上できることを示す実験を行った。
論文 参考訳（メタデータ） (2022-11-20T14:37:09Z) - 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) - 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) - Optimizing Memory Placement using Evolutionary Graph Reinforcement
Learning [56.83172249278467]
大規模検索空間を対象とした進化グラフ強化学習(EGRL)を提案する。
我々は、推論のために、Intel NNP-Iチップ上で、我々のアプローチを直接訓練し、検証する。
また,NNP-Iコンパイラと比較して28～78%の高速化を実現している。
論文 参考訳（メタデータ） (2020-07-14T18:50:12Z) - GCN for HIN via Implicit Utilization of Attention and Meta-paths [104.24467864133942]
不均一情報ネットワーク(HIN)埋め込みは、HINの構造と意味情報を分散表現にマッピングすることを目的としている。
本稿では,注意とメタパスを暗黙的に活用するニューラルネットワーク手法を提案する。
まず、各層で識別集約を行う多層グラフ畳み込みネットワーク(GCN)フレームワークを用いる。
次に,アグリゲーションから分離可能な新しい伝搬操作を導入することにより,効果的な緩和と改善を行う。
論文 参考訳（メタデータ） (2020-07-06T11:09:40Z) - Policy-GNN: Aggregation Optimization for Graph Neural Networks [60.50932472042379]
グラフニューラルネットワーク(GNN)は、局所的なグラフ構造をモデル化し、隣人からの情報を集約することで階層的なパターンを捉えることを目的としている。
複雑なグラフとスパースな特徴を与えられた各ノードに対して効果的なアグリゲーション戦略を開発することは難しい課題である。
本稿では,GNNのサンプリング手順とメッセージパッシングを複合学習プロセスにモデル化するメタ政治フレームワークであるPolicy-GNNを提案する。
論文 参考訳（メタデータ） (2020-06-26T17:03:06Z) - Interpretable and Efficient Heterogeneous Graph Convolutional Network [27.316334213279973]
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。
論文 参考訳（メタデータ） (2020-05-27T06:06:00Z)
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。