論文の概要: Het-node2vec: second order random walk sampling for heterogeneous
multigraphs embedding
- arxiv url: http://arxiv.org/abs/2101.01425v2
- Date: Sun, 3 Sep 2023 14:21:18 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-07 12:32:47.468548
- Title: Het-node2vec: second order random walk sampling for heterogeneous
multigraphs embedding
- Title(参考訳): Het-node2vec:不均一多グラフ埋め込みのための2次ランダムウォークサンプリング
- Authors: Giorgio Valentini and Elena Casiraghi and Luca Cappelletti and Tommaso
Fontana and Justin Reese and Peter Robinson
- Abstract要約: 本稿では,ノード近傍サンプリング手法を異種マルチグラフに拡張するアルゴリズムフレームワークを提案する。
その結果得られたランダムウォークサンプルは、グラフの構造的特性と、異なるタイプのノードとエッジのセマンティクスの両方をキャプチャする。
- 参考スコア(独自算出の注目度): 0.8668211481067458
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The development of Graph Representation Learning methods for heterogeneous
graphs is fundamental in several real-world applications, since in several
contexts graphs are characterized by different types of nodes and edges. We
introduce a an algorithmic framework (Het-node2vec) that extends the original
node2vec node-neighborhood sampling method to heterogeneous multigraphs. The
resulting random walk samples capture both the structural characteristics of
the graph and the semantics of the different types of nodes and edges. The
proposed algorithms can focus their attention on specific node or edge types,
allowing accurate representations also for underrepresented types of
nodes/edges that are of interest for the prediction problem under
investigation. These rich and well-focused representations can boost
unsupervised and supervised learning on heterogeneous graphs.
- Abstract(参考訳): ヘテロジニアスグラフのためのグラフ表現学習法の開発は、複数のコンテキストにおいて異なるタイプのノードとエッジによって特徴づけられるため、いくつかの実世界のアプリケーションにおいて基礎となる。
本稿では,ノード近傍サンプリング法を異種マルチグラフに拡張するアルゴリズムフレームワーク(Het-node2vec)を提案する。
その結果得られたランダムウォークサンプルは、グラフの構造的特徴と異なる種類のノードとエッジのセマンティクスの両方をキャプチャする。
提案するアルゴリズムは、特定のノードやエッジタイプに注目して、調査中の予測問題に関心のある未表示のノード/エッジタイプに対する正確な表現を可能にする。
これらの豊かでよく焦点を絞った表現は、異種グラフの教師なしおよび教師なしの学習を促進することができる。
関連論文リスト
- NodeFormer: A Scalable Graph Structure Learning Transformer for Node
Classification [70.51126383984555]
本稿では,任意のノード間のノード信号を効率的に伝搬する全ペアメッセージパッシング方式を提案する。
効率的な計算は、カーナライズされたGumbel-Softmax演算子によって実現される。
グラフ上のノード分類を含む様々なタスクにおいて,本手法の有望な有効性を示す実験を行った。
論文 参考訳(メタデータ) (2023-06-14T09:21:15Z) - Discrete Graph Auto-Encoder [52.50288418639075]
離散グラフオートエンコーダ(DGAE)という新しいフレームワークを導入する。
まず、置換同変オートエンコーダを用いてグラフを離散潜在ノード表現の集合に変換する。
2番目のステップでは、離散潜在表現の集合をソートし、特別に設計された自己回帰モデルを用いてそれらの分布を学習する。
論文 参考訳(メタデータ) (2023-06-13T12:40:39Z) - GrannGAN: Graph annotation generative adversarial networks [72.66289932625742]
本稿では,高次元分布をモデル化し,グラフスケルトンと整合した複雑な関係特徴構造を持つデータの新しい例を生成することの問題点を考察する。
提案するモデルは,タスクを2つのフェーズに分割することで,各データポイントのグラフ構造に制約されたデータ特徴を生成する問題に対処する。
第一に、与えられたグラフのノードに関連する機能の分布をモデル化し、第二に、ノードのフィーチャに条件付きでエッジ機能を補完する。
論文 参考訳(メタデータ) (2022-12-01T11:49:07Z) - LoNe Sampler: Graph node embeddings by coordinated local neighborhood
sampling [0.7614628596146599]
局所グラフ近傍サンプリングは、ノード表現学習のアルゴリズムの中心にある基本的な計算問題である。
そこで我々はLoNe Samplerを提案する。LoNe Samplerはローカル近傍サンプリングによる離散ノード埋め込みを生成するアルゴリズムスイートである。
論文 参考訳(メタデータ) (2022-11-28T08:04:26Z) - Hub-aware Random Walk Graph Embedding Methods for Classification [68.8204255655161]
ノード分類問題に特化して設計されたランダムウォークに基づく2つの新しいグラフ埋め込みアルゴリズムを提案する。
提案手法は,実世界のネットワークの埋め込みを訓練した3つの分類アルゴリズムの分類性能を解析して実験的に評価する。
論文 参考訳(メタデータ) (2022-09-15T20:41:18Z) - Graph Neural Networks with Feature and Structure Aware Random Walk [5.431036185361236]
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) - A Robust and Generalized Framework for Adversarial Graph Embedding [73.37228022428663]
本稿では,AGE という逆グラフ埋め込みのための頑健なフレームワークを提案する。
AGEは、暗黙の分布から強化された負のサンプルとして偽の隣接ノードを生成する。
本フレームワークでは,3種類のグラフデータを扱う3つのモデルを提案する。
論文 参考訳(メタデータ) (2021-05-22T07:05:48Z) - Persistent Homology and Graphs Representation Learning [0.7734726150561088]
永続ホモロジーで利用可能なツールを用いて,ノードグラフ表現埋め込みに符号化される位相不変性について検討する。
私たちの構造は、グラフレベルとノードレベルの両方で、ユニークな永続化ベースのグラフディスクリプタを効果的に定義します。
提案手法の有効性を実証するため,DeepWalk,Node2Vec,Diff2Vecのトポロジカル記述子について検討した。
論文 参考訳(メタデータ) (2021-02-25T15:26:21Z) - Graph Pooling with Node Proximity for Hierarchical Representation
Learning [80.62181998314547]
本稿では,ノード近接を利用したグラフプーリング手法を提案し,そのマルチホップトポロジを用いたグラフデータの階層的表現学習を改善する。
その結果,提案したグラフプーリング戦略は,公開グラフ分類ベンチマークデータセットの集合において,最先端のパフォーマンスを達成できることが示唆された。
論文 参考訳(メタデータ) (2020-06-19T13:09:44Z)
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。