論文の概要: Bipartite Graph Embedding via Mutual Information Maximization

• arxiv url: http://arxiv.org/abs/2012.05442v1
• Date: Thu, 10 Dec 2020 04:03:39 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-15 06:15:04.170465
• Title: Bipartite Graph Embedding via Mutual Information Maximization
• Title（参考訳）: 相互情報最大化による二部グラフ埋め込み
• Authors: Jiangxia Cao, Xixun Lin, Shu Guo, Luchen Liu, Tingwen Liu, Bin Wang
• Abstract要約: バイパートグラフの埋め込みは、様々なアプリケーションドメインで広く使われているため、多くの注目を集めている。 我々は,新しい局所的グローバルインフォマックス目標を導入することにより,このようなグローバル特性を捉えるためにbigiと呼ばれる2部グラフ埋め込みを提案する。 提案モデルは,top-kレコメンデーションとリンク予測のための様々なベンチマークデータセット上で評価される。
• 参考スコア（独自算出の注目度）: 8.382665371140503
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Bipartite graph embedding has recently attracted much attention due to the fact that bipartite graphs are widely used in various application domains. Most previous methods, which adopt random walk-based or reconstruction-based objectives, are typically effective to learn local graph structures. However, the global properties of bipartite graph, including community structures of homogeneous nodes and long-range dependencies of heterogeneous nodes, are not well preserved. In this paper, we propose a bipartite graph embedding called BiGI to capture such global properties by introducing a novel local-global infomax objective. Specifically, BiGI first generates a global representation which is composed of two prototype representations. BiGI then encodes sampled edges as local representations via the proposed subgraph-level attention mechanism. Through maximizing the mutual information between local and global representations, BiGI enables nodes in bipartite graph to be globally relevant. Our model is evaluated on various benchmark datasets for the tasks of top-K recommendation and link prediction. Extensive experiments demonstrate that BiGI achieves consistent and significant improvements over state-of-the-art baselines. Detailed analyses verify the high effectiveness of modeling the global properties of bipartite graph.
• Abstract（参考訳）: バイパートグラフの埋め込みは、様々なアプリケーションドメインで広く使われているため、最近多くの注目を集めている。 ランダムなウォークベースやレコンストラクションベースの目的を用いる従来の手法のほとんどは、ローカルグラフ構造を学ぶのに効果的である。 しかし、均質ノードのコミュニティ構造や異種ノードの長距離依存性を含む二成分グラフの全体的性質はよく保存されていない。 本稿では,BiGIと呼ばれる二部グラフを埋め込んで,そのグローバルな特性をとらえる手法を提案する。 具体的には、BiGIはまず、2つのプロトタイプ表現からなるグローバル表現を生成する。 BiGIはサンプルエッジを,提案したサブグラフレベルのアテンション機構を通じて局所表現として符号化する。 局所表現とグローバル表現の相互情報を最大化することにより、BiGIは二部グラフのノードをグローバルに関連付けることができる。 提案モデルは,top-kレコメンデーションとリンク予測のための様々なベンチマークデータセット上で評価される。 大規模な実験により、BiGIは最先端のベースラインよりも一貫した、重要な改善を達成している。 詳細な解析は、二部グラフのグローバル特性をモデル化する高い効果を検証する。

関連論文リスト

• Local Structure-aware Graph Contrastive Representation Learning [12.554113138406688]
  複数のビューからノードの構造情報をモデル化するための局所構造対応グラフ比較表現学習法(LS-GCL)を提案する。 ローカルビューでは、各ターゲットノードのセマンティックサブグラフが共有GNNエンコーダに入力され、サブグラフレベルに埋め込まれたターゲットノードを取得する。 グローバルな視点では、元のグラフはノードの必要不可欠な意味情報を保存しているので、共有GNNエンコーダを利用して、グローバルなグラフレベルでターゲットノードの埋め込みを学習する。
  論文  参考訳（メタデータ） (2023-08-07T03:23:46Z)
• Omni-Granular Ego-Semantic Propagation for Self-Supervised Graph Representation Learning [6.128446481571702]
  下流ノードとグラフレベルの分類タスクでは,教師なし/自己教師付きグラフ表現学習が重要である。 インスタンス適応型グローバル・アウェア・エゴ・セマンティック・ディスクリプタを提案する。 ディスクリプタは、ローカルグラフの畳み込みに、新しい隣接ノードとして明示的に統合することができる。
  論文  参考訳（メタデータ） (2022-05-31T12:31:33Z)
• Graph Spectral Embedding using the Geodesic Betweeness Centrality [76.27138343125985]
  本稿では、局所的な類似性、接続性、グローバル構造を教師なしで表現するグラフSylvester Embedding (GSE)を紹介する。 GSEはシルヴェスター方程式の解を用いて、ネットワーク構造と近傍の近接を1つの表現で捉える。
  論文  参考訳（メタデータ） (2022-05-07T04:11:23Z)
• DigNet: Digging Clues from Local-Global Interactive Graph for Aspect-level Sentiment Classification [0.685316573653194]
  アスペクトレベルの感情分類(ASC)では、最先端モデルは構文グラフまたは関係グラフをエンコードする。 我々は,対話的なエッジを通じて2つのグラフを縫い合わせることで,その利点をマージする,新しいローカル・グローバル・インタラクティブグラフを設計する。 本稿では,DigNetと呼ばれる新しいニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2022-01-04T05:34:02Z)
• Graph Representation Learning via Contrasting Cluster Assignments [57.87743170674533]
  GRCCAと呼ばれるクラスタ割り当てを対比して、教師なしグラフ表現モデルを提案する。 クラスタリングアルゴリズムとコントラスト学習を組み合わせることで、局所的およびグローバルな情報を合成的にうまく活用する動機付けがある。 GRCCAは、ほとんどのタスクにおいて強力な競争力を持っている。
  論文  参考訳（メタデータ） (2021-12-15T07:28:58Z)
• Self-supervised Graph-level Representation Learning with Local and Global Structure [71.45196938842608]
  自己教師付き全グラフ表現学習のためのローカル・インスタンスとグローバル・セマンティック・ラーニング(GraphLoG)という統合フレームワークを提案する。 GraphLoGは、局所的な類似点の保存に加えて、グローバルなセマンティッククラスタをキャプチャする階層的なプロトタイプも導入している。 モデル学習のための効率的なオンライン予測最大化(EM)アルゴリズムがさらに開発された。
  論文  参考訳（メタデータ） (2021-06-08T05:25:38Z)
• Graph Information Bottleneck [77.21967740646784]
  グラフニューラルネットワーク(GNN)は、ネットワーク構造とノード機能から情報を融合する表現的な方法を提供する。 GIBは、一般的なInformation Bottleneck (IB) を継承し、与えられたタスクに対する最小限の表現を学習することを目的としている。 提案したモデルが最先端のグラフ防御モデルよりも堅牢であることを示す。
  論文  参考訳（メタデータ） (2020-10-24T07:13:00Z)
• Spectral Embedding of Graph Networks [76.27138343125985]
  ローカルノードの類似性と接続性、グローバル構造をトレードオフする教師なしグラフ埋め込みを導入する。 埋め込みは一般化されたグラフ Laplacian に基づいており、固有ベクトルは1つの表現においてネットワーク構造と近傍近傍の両方をコンパクトにキャプチャする。
  論文  参考訳（メタデータ） (2020-09-30T04:59:10Z)
• 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)

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。