Fugu-MT 論文翻訳(概要): Learning over Families of Sets -- Hypergraph Representation Learning for Higher Order Tasks

論文の概要: Learning over Families of Sets -- Hypergraph Representation Learning for Higher Order Tasks

arxiv url: http://arxiv.org/abs/2101.07773v1
Date: Tue, 19 Jan 2021 18:37:50 GMT
ステータス: 処理完了
システム内更新日: 2021-03-22 11:29:58.920167
Title: Learning over Families of Sets -- Hypergraph Representation Learning for Higher Order Tasks
Title（参考訳）: 集合の族を学習する -- 高次タスクのためのハイパーグラフ表現学習
Authors: Balasubramaniam Srinivasan, Da Zheng, George Karypis
Abstract要約: 可変サイズのハイパーエッジの表現を実証的に表現するためのハイパーグラフニューラルネットワークを開発した。複数の実世界のハイパーグラフデータセットのパフォーマンスを評価し、最新モデルよりも一貫性のある大幅な精度向上を実証します。
参考スコア（独自算出の注目度）: 12.28143554382742
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Graph representation learning has made major strides over the past decade. However, in many relational domains, the input data are not suited for simple graph representations as the relationships between entities go beyond pairwise interactions. In such cases, the relationships in the data are better represented as hyperedges (set of entities) of a non-uniform hypergraph. While there have been works on principled methods for learning representations of nodes of a hypergraph, these approaches are limited in their applicability to tasks on non-uniform hypergraphs (hyperedges with different cardinalities). In this work, we exploit the incidence structure to develop a hypergraph neural network to learn provably expressive representations of variable sized hyperedges which preserve local-isomorphism in the line graph of the hypergraph, while also being invariant to permutations of its constituent vertices. Specifically, for a given vertex set, we propose frameworks for (1) hyperedge classification and (2) variable sized expansion of partially observed hyperedges which captures the higher order interactions among vertices and hyperedges. We evaluate performance on multiple real-world hypergraph datasets and demonstrate consistent, significant improvement in accuracy, over state-of-the-art models.
Abstract（参考訳）: グラフ表現学習は過去10年間で大きな進歩を遂げてきた。しかし、多くのリレーショナルドメインでは、エンティティ間の関係が対の相互作用を超えたため、入力データは単純なグラフ表現には適さない。そのような場合、データ内の関係は非一様ハイパーグラフのハイパーエッジ(エンティティの集合)として表される。ハイパーグラフのノード表現を学習するための原理的手法は存在するが、これらのアプローチは一様でないハイパーグラフ(基数が異なるハイパーエッジ)のタスクへの適用性に制限がある。本研究では,ハイパーグラフの行グラフにおける局所同型を保ちながら,その構成頂点の置換に不変である可変サイズのハイパーエッジの表現性を示すために,インシデント構造を利用したハイパーグラフニューラルネットワークを開発した。具体的には、与えられた頂点集合に対して、(1)ハイパーエッジ分類および(2)頂点とハイパーエッジの間の高次相互作用をキャプチャする部分観測ハイパーエッジの可変拡大のための枠組みを提案する。我々は,複数の実世界のハイパーグラフデータセットの性能評価を行い,最先端モデルよりも一貫性があり,精度が大幅に向上したことを示す。