論文の概要: Het-node2vec: second order random walk sampling for heterogeneous multigraphs embedding

• arxiv url: http://arxiv.org/abs/2101.01425v3
• Date: Tue, 29 Oct 2024 06:41:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-30 13:36:15.702470
• 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: Mauricio Soto-Gomez, Peter Robinson, Carlos Cano, Ali Pashaeibarough, Emanuele Cavalleri, Justin Reese, Marco Mesiti, Giorgio Valentini, Elena Casiraghi,
• Abstract要約: Het-node2vecは、異種グラフを埋め込むノード2vecアルゴリズムの拡張である。 我々はHet-node2vecがノードラベルおよびエッジ予測タスクにおける異種グラフの最先端手法に対して同等あるいは優れた性能を達成することを示す。
• 参考スコア（独自算出の注目度）: 0.9084022224205381
• License:
• Abstract: Many real-world problems are naturally modeled as heterogeneous graphs, where nodes and edges represent multiple types of entities and relations. Existing learning models for heterogeneous graph representation usually depend on the computation of specific and user-defined heterogeneous paths, or in the application of large and often not scalable deep neural network architectures. We propose Het-node2vec, an extension of the node2vec algorithm, designed for embedding heterogeneous graphs. Het-node2vec addresses the challenge of capturing the topological and structural characteristics of graphs and the semantic information underlying the different types of nodes and edges of heterogeneous graphs, by introducing a simple stochastic node and edge type switching strategy in second order random walk processes. The proposed approach also introduces an ''attention mechanism'' to focus the random walks on specific node and edge types, thus allowing more accurate embeddings and more focused predictions on specific node and edge types of interest. Empirical results on benchmark datasets show that Hetnode2vec achieves comparable or superior performance with respect to state-of-the-art methods for heterogeneous graphs in node label and edge prediction tasks.
• Abstract（参考訳）: 多くの実世界の問題は自然に異質グラフとしてモデル化され、ノードとエッジは複数の種類の実体と関係を表す。 ヘテロジニアスグラフ表現の既存の学習モデルは、通常、特定のおよびユーザ定義のヘテロジニアスパスの計算に依存する。 異種グラフを埋め込むために設計されたノード2vecアルゴリズムの拡張であるHet-node2vecを提案する。 Het-node2vecは、単純な確率ノードとエッジ型切替戦略を二階ランダムウォークプロセスに導入することにより、グラフの位相的および構造的特性と、不均一グラフの異なるタイプのノードとエッジの根底にある意味情報を取得するという課題に対処する。 提案手法では、特定のノードとエッジタイプにランダムウォークを集中させる'アテンションメカニズム'を導入し、特定のノードとエッジのタイプにより正確な埋め込みとより集中した予測を可能にする。 ベンチマークデータセットを用いた実験結果から,Hetnode2vecはノードラベルやエッジ予測タスクにおける異種グラフの最先端手法に対して,同等あるいは優れた性能を達成している。

関連論文リスト

• Heterogeneous Graph Generation: A Hierarchical Approach using Node Feature Pooling [11.082657770873876]
  不均一グラフは、ソーシャルネットワーク、レコメンデーションシステム、生物学的ネットワークなど、様々な領域に存在している。 本稿では,2相階層構造を用いた異種グラフ生成の課題について考察する。 判別器を使用してジェネレータのトレーニングをガイドし、ノード特徴プールから特徴ベクトルをサンプリングする。
  論文  参考訳（メタデータ） (2024-10-15T18:23:25Z)
• HeteGraph-Mamba: Heterogeneous Graph Learning via Selective State Space Model [4.679586996508103]
  異種グラフ学習のための選択状態空間モデル(SSSM)を利用するための最初の探索として、異種グラフマンバネットワーク(HGMN)を提案する。 文献と比較すると、HGMNは、(i)異種ノード間の長距離依存関係をキャプチャし、(ii)異種グラフデータにSSSMを適用するという2つの大きな課題を克服する。
  論文  参考訳（メタデータ） (2024-05-22T18:41:11Z)
• 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)
• Seq-HGNN: Learning Sequential Node Representation on Heterogeneous Graph [57.2953563124339]
  本稿では,シーケンシャルノード表現,すなわちSeq-HGNNを用いた新しい異種グラフニューラルネットワークを提案する。 Heterogeneous Graph Benchmark (HGB) と Open Graph Benchmark (OGB) の4つの広く使われているデータセットについて広範な実験を行った。
  論文  参考訳（メタデータ） (2023-05-18T07:27:18Z)
• 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)
• 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)
• Topological Regularization for Graph Neural Networks Augmentation [12.190045459064413]
  本稿では,トポロジカル正則化に基づくグラフノードの機能拡張手法を提案する。 我々は,モデルの有効性を証明するために,多数のデータセットについて広範な実験を行った。
  論文  参考訳（メタデータ） (2021-04-03T01:37:44Z)
• Heterogeneous Graph Transformer [49.675064816860505]
  Webスケールの不均一グラフモデリングのための不均一グラフ変換器(HGT)アーキテクチャ 動的ヘテロジニアスグラフを扱うために、HGTに相対時間符号化手法を導入する。 Web スケールのグラフデータを扱うため,ヘテロジニアスなミニバッチグラフサンプリングアルゴリズム--HGSampling--を設計し,効率的かつスケーラブルなトレーニングを行う。
  論文  参考訳（メタデータ） (2020-03-03T04:49:21Z)
• 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。