論文の概要: A Survey on Heterogeneous Graph Embedding: Methods, Techniques,
Applications and Sources
- arxiv url: http://arxiv.org/abs/2011.14867v1
- Date: Mon, 30 Nov 2020 15:03:47 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-06 14:33:08.515730
- Title: A Survey on Heterogeneous Graph Embedding: Methods, Techniques,
Applications and Sources
- Title(参考訳): 不均質グラフ埋め込みに関する調査研究:方法、技術、応用および情報源
- Authors: Xiao Wang and Deyu Bo and Chuan Shi and Shaohua Fan and Yanfang Ye and
Philip S. Yu
- Abstract要約: 異種情報ネットワーク (heterogenous information network) としても知られるヘテロジニアスグラフ (HGs) は、現実のシナリオにおいてユビキタス化されている。
HG埋め込みは、下流タスクのための不均一な構造と意味を保ちながら、低次元空間での表現を学習することを目的としている。
- 参考スコア(独自算出の注目度): 79.48829365560788
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Heterogeneous graphs (HGs) also known as heterogeneous information networks
have become ubiquitous in real-world scenarios; therefore, HG embedding, which
aims to learn representations in a lower-dimension space while preserving the
heterogeneous structures and semantics for downstream tasks (e.g., node/graph
classification, node clustering, link prediction), has drawn considerable
attentions in recent years. In this survey, we perform a comprehensive review
of the recent development on HG embedding methods and techniques. We first
introduce the basic concepts of HG and discuss the unique challenges brought by
the heterogeneity for HG embedding in comparison with homogeneous graph
representation learning; and then we systemically survey and categorize the
state-of-the-art HG embedding methods based on the information they used in the
learning process to address the challenges posed by the HG heterogeneity. In
particular, for each representative HG embedding method, we provide detailed
introduction and further analyze its pros and cons; meanwhile, we also explore
the transformativeness and applicability of different types of HG embedding
methods in the real-world industrial environments for the first time. In
addition, we further present several widely deployed systems that have
demonstrated the success of HG embedding techniques in resolving real-world
application problems with broader impacts. To facilitate future research and
applications in this area, we also summarize the open-source code, existing
graph learning platforms and benchmark datasets. Finally, we explore the
additional issues and challenges of HG embedding and forecast the future
research directions in this field.
- Abstract(参考訳): ヘテロジニアス・インフォメーション・ネットワークとしても知られるヘテロジニアス・グラフ(HG)は、現実のシナリオにおいてユビキタスなものとなっているため、下流タスク(ノード/グラフ分類、ノードクラスタリング、リンク予測など)のヘテロジニアス構造とセマンティクスを保ちながら、低次元空間での表現を学習することを目的としたHG埋め込みが近年注目されている。
本稿では,近年のHG埋込工法および技術開発に関する総合的なレビューを行う。
まず,HGの基本的な概念を紹介し,同種グラフ表現学習と比較してHGの組込みの不均一性に起因する固有の課題について考察し,HGの不均一性に起因する課題に対処するために,学習プロセスで使用する情報に基づいて,最先端HG組込み手法を体系的に調査・分類する。
特に, 各代表HG埋込方式について, より詳細な紹介を行い, その長所と短所を更に分析するとともに, 実環境における各種HG埋込方式の転換性と適用性についても検討した。
さらに,HG埋め込み技術の成功を実証した,より広範な影響で現実のアプリケーション問題を解決するシステムについても紹介する。
この領域における今後の研究と応用を促進するため、オープンソースコード、既存のグラフ学習プラットフォーム、ベンチマークデータセットもまとめます。
最後に,本分野におけるhg埋め込みの課題と課題について検討し,今後の研究方向性について予測する。
関連論文リスト
- A Survey on Graph Condensation [14.94630644865636]
グラフ凝縮(GC)は、グラフデータのエスカレーション量から生じる課題に対処するソリューションとして登場した。
GCをより深く理解し、他の関連するトピックと区別するために、GCの正式な定義を示し、分類を確立します。
我々は、課題と限界に対処し、今後の方向性を概説し、この分野における今後の研究を促すための簡潔なガイドラインを提供することで、結論付けます。
論文 参考訳(メタデータ) (2024-02-03T02:50:51Z) - Graph Condensation: A Survey [54.88639575893948]
グラフ凝縮(GC)は、グラフニューラルネットワーク(GNN)の記憶、伝達、および訓練のための革新的なソリューションとして登場した。
GCはコンパクトだが非常に代表的なグラフの合成に重点を置いており、GNNは大きな元のグラフで訓練されたのに匹敵するパフォーマンスを達成できる。
本稿では,GC評価基準に適合する4つのカテゴリ(有効性,一般化性,公正性,効率性)に既存の研究を整理する。
論文 参考訳(メタデータ) (2024-01-22T06:47:00Z) - Few-Shot Causal Representation Learning for Out-of-Distribution
Generalization on Heterogeneous Graphs [9.68955179092734]
ヘテロジニアスグラフ(HGs)におけるラベル空間性問題に対処するヘテロジニアスグラフスショットラーニング(HGFL)が開発されている。
本稿では,新しい因果OOD不均質グラフFew-shot学習モデル,すなわちCOHFを提案する。
論文 参考訳(メタデータ) (2024-01-07T22:47:38Z) - Cross-heterogeneity Graph Few-shot Learning [9.80898395055038]
本稿では,異種間グラフFew-shot Learning,すなわちCGFLの新たなモデルを提案する。
CGFLでは,まず異種情報を取得するメタパターンを抽出する。
そこで我々は,ラベル付きサンプルの情報量を測定するスコアモジュールを提案し,各ソースHGの転送可能性を決定する。
論文 参考訳(メタデータ) (2023-08-10T01:25:28Z) - Guided Depth Map Super-resolution: A Survey [88.54731860957804]
誘導深度マップ超解像(GDSR)は、高分解能(HR)深度マップを低分解能(LR)観測から2枚のHRカラー画像の助けを借りて再構成することを目的としている。
近年,特に強力な深層学習技術を用いて,斬新で効果的なアプローチが多数提案されている。
この調査は、GDSRの最近の進歩に関する包括的調査を提示する試みである。
論文 参考訳(メタデータ) (2023-02-19T15:43:54Z) - Data Augmentation on Graphs: A Survey [9.707882923707414]
グラフ表現学習は、低品質のデータ問題に悩まされている間、目覚ましい成功を収めた。
コンピュータビジョンにおけるデータ品質向上のための成熟した技術として、データ拡張はグラフ領域においても注目を集めている。
本稿では,既存のグラフデータ拡張(GDAug)技術について概観し,要約する。
論文 参考訳(メタデータ) (2022-12-20T02:51:28Z) - Heterogeneous Graph Neural Networks using Self-supervised Reciprocally
Contrastive Learning [102.9138736545956]
不均一グラフニューラルネットワーク(HGNN)は異種グラフのモデリングと解析において非常に一般的な手法である。
我々は,ノード属性とグラフトポロジの各ガイダンスに関する2つの視点を取り入れた,新規で頑健なヘテロジニアスグラフコントラスト学習手法であるHGCLを初めて開発する。
この新しいアプローチでは,属性とトポロジに関連情報を別々にマイニングする手法として,異なるが最も適した属性とトポロジの融合機構を2つの視点に適用する。
論文 参考訳(メタデータ) (2022-04-30T12:57:02Z) - Fine-Grained Image Analysis with Deep Learning: A Survey [146.22351342315233]
きめ細かい画像解析(FGIA)は、コンピュータビジョンとパターン認識における長年の根本的な問題である。
本稿では、FGIAの分野を再定義し、FGIAの2つの基礎研究領域、細粒度画像認識と細粒度画像検索を統合することで、FGIAの分野を広げようとしている。
論文 参考訳(メタデータ) (2021-11-11T09:43:56Z) - Graph Representation Learning via Graphical Mutual Information
Maximization [86.32278001019854]
本稿では,入力グラフとハイレベルな隠蔽表現との相関を測る新しい概念であるGMIを提案する。
我々は,グラフニューラルエンコーダの入力と出力の間でGMIを最大化することで訓練された教師なし学習モデルを開発する。
論文 参考訳(メタデータ) (2020-02-04T08:33:49Z)
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。