論文の概要: Knowledge-Preserving Incremental Social Event Detection via
Heterogeneous GNNs
- arxiv url: http://arxiv.org/abs/2101.08747v2
- Date: Sat, 13 Feb 2021 17:49:54 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-21 07:52:17.264519
- Title: Knowledge-Preserving Incremental Social Event Detection via
Heterogeneous GNNs
- Title（参考訳）: 異種GNNを用いた知識保存型インクリメンタルソーシャルイベント検出
- Authors: Yuwei Cao, Hao Peng, Jia Wu, Yingtong Dou, Jianxin Li, Philip S. Yu
- Abstract要約: ソーシャルイベント検出のための知識保存型不均一グラフニューラルネットワーク(KPGNN)を提案する。
KPGNNは複雑なソーシャルメッセージを統一されたソーシャルグラフにモデル化し、データの活用を促進し、知識抽出のためのGNNの表現力を探る。
また、GNNの帰納的学習能力を活用して、イベントを効率的に検出し、これまで見つからなかったデータからその知識を拡張する。
- 参考スコア（独自算出の注目度）: 72.09532817958932
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Social events provide valuable insights into group social behaviors and
public concerns and therefore have many applications in fields such as product
recommendation and crisis management. The complexity and streaming nature of
social messages make it appealing to address social event detection in an
incremental learning setting, where acquiring, preserving, and extending
knowledge are major concerns. Most existing methods, including those based on
incremental clustering and community detection, learn limited amounts of
knowledge as they ignore the rich semantics and structural information
contained in social data. Moreover, they cannot memorize previously acquired
knowledge. In this paper, we propose a novel Knowledge-Preserving Incremental
Heterogeneous Graph Neural Network (KPGNN) for incremental social event
detection. To acquire more knowledge, KPGNN models complex social messages into
unified social graphs to facilitate data utilization and explores the
expressive power of GNNs for knowledge extraction. To continuously adapt to the
incoming data, KPGNN adopts contrastive loss terms that cope with a changing
number of event classes. It also leverages the inductive learning ability of
GNNs to efficiently detect events and extends its knowledge from previously
unseen data. To deal with large social streams, KPGNN adopts a mini-batch
subgraph sampling strategy for scalable training, and periodically removes
obsolete data to maintain a dynamic embedding space. KPGNN requires no feature
engineering and has few hyperparameters to tune. Extensive experiment results
demonstrate the superiority of KPGNN over various baselines.
- Abstract（参考訳）: 社会イベントは集団の社会的行動や公共の関心事に対する貴重な洞察を与え、製品レコメンデーションや危機管理といった分野に多くの応用をもたらす。
ソーシャルメッセージの複雑さとストリーミング性は、知識の獲得、保存、拡張が重要な関心事であるインクリメンタルな学習環境において、ソーシャルイベント検出にアピールする。
インクリメンタルクラスタリングやコミュニティ検出に基づく手法を含む既存の手法は、ソーシャルデータに含まれる豊富なセマンティクスや構造情報を無視して、限られた量の知識を学習する。
また、それまでの知識を記憶することはできない。
本稿では,社会的事象を段階的に検出するための知識保存型不均一グラフニューラルネットワーク(KPGNN)を提案する。
より詳しい知識を得るために、KPGNNは複雑なソーシャルメッセージを統一されたソーシャルグラフにモデル化し、データ利用を促進し、知識抽出のためのGNNの表現力を探る。
着信データに継続的に適応するために、kpgnnはイベントクラスの変化に対応する対比的損失項を採用する。
また、GNNの帰納学習能力を活用して、イベントを効率的に検出し、これまで見つからなかったデータからその知識を拡張する。
大規模なソーシャルストリームを扱うため、KPGNNはスケーラブルなトレーニングのためにミニバッチサブグラフサンプリング戦略を採用し、動的埋め込み空間を維持するために定期的に古いデータを削除している。
KPGNNは機能エンジニアリングを必要とせず、チューニングするハイパーパラメータも少ない。
実験結果から, KPGNNの各種ベースラインに対する優位性が示された。
関連論文リスト
- When Graph Neural Network Meets Causality: Opportunities, Methodologies and An Outlook [23.45046265345568]
グラフニューラルネットワーク(GNN)は、さまざまなグラフ構造化データ内の複雑な依存関係をキャプチャする強力な表現学習ツールとして登場した。
GNNは、分布シフトへの感受性、特定の人口への偏見、説明責任の欠如など、信頼性に関する深刻な懸念を提起している。
因果学習技術をGNNに統合することは、多くのGNNの信頼性の問題を軽減することができるため、多くの画期的な研究を引き起こしている。
論文 参考訳（メタデータ） (2023-12-19T13:26:14Z) - Unsupervised Social Event Detection via Hybrid Graph Contrastive
Learning and Reinforced Incremental Clustering [17.148519270314313]
本稿では,ハイブリッドグラフのコントラスト学習と漸進的クラスタリングによるソーシャルメディアイベント検出手法を提案する。
TwitterとMavenのデータセット上でHCRCを評価するための包括的な実験を行います。
論文 参考訳（メタデータ） (2023-12-08T08:56:59Z) - Exploring Causal Learning through Graph Neural Networks: An In-depth
Review [12.936700685252145]
因果関係の研究に用いられている様々な最先端のGNN手法を包含する新しい分類法を提案する。
GNNは、その因果領域における応用に基づいてさらに分類される。
このレビューは、多様な分野にわたる因果学習の適用にも触れている。
論文 参考訳（メタデータ） (2023-11-25T10:46:06Z) - Information Flow in Graph Neural Networks: A Clinical Triage Use Case [49.86931948849343]
グラフニューラルネットワーク(GNN)は、マルチモーダルグラフとマルチリレーショナルグラフを処理する能力によって、医療やその他の領域で人気を集めている。
GNNにおける埋め込み情報のフローが知識グラフ(KG)におけるリンクの予測に与える影響について検討する。
以上の結果から,ドメイン知識をGNN接続に組み込むことで,KGと同じ接続を使用する場合や,制約のない埋め込み伝搬を行う場合よりも優れた性能が得られることが示された。
論文 参考訳（メタデータ） (2023-09-12T09:18:12Z) - MentorGNN: Deriving Curriculum for Pre-Training GNNs [61.97574489259085]
本稿では,グラフ間のGNNの事前学習プロセスの監視を目的とした,MentorGNNというエンドツーエンドモデルを提案する。
我々は、事前学習したGNNの一般化誤差に自然かつ解釈可能な上限を導出することにより、関係データ(グラフ)に対するドメイン適応の問題に新たな光を当てた。
論文 参考訳（メタデータ） (2022-08-21T15:12:08Z) - Knowledge Enhanced Neural Networks for relational domains [83.9217787335878]
我々は、ニューラルネットワークに事前論理的知識を注入するニューラルネットワークアーキテクチャであるKENNに焦点を当てる。
本稿では,関係データに対するKENNの拡張を提案する。
論文 参考訳（メタデータ） (2022-05-31T13:00:34Z) - Evidential Temporal-aware Graph-based Social Event Detection via
Dempster-Shafer Theory [76.4580340399321]
ETGNN(Evidential Temporal-aware Graph Neural Network)を提案する。
ノードがテキストであり、エッジがそれぞれ複数の共有要素によって決定されるビュー固有グラフを構築する。
ビュー固有の不確実性を考慮すると、すべてのビューの表現は、明らかなディープラーニング(EDL)ニューラルネットワークを介してマス関数に変換される。
論文 参考訳（メタデータ） (2022-05-24T16:22:40Z) - Neural Networks Enhancement with Logical Knowledge [83.9217787335878]
関係データに対するKENNの拡張を提案する。
その結果、KENNは、存在関係データにおいても、基礎となるニューラルネットワークの性能を高めることができることがわかった。
論文 参考訳（メタデータ） (2020-09-13T21:12:20Z)
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。