論文の概要: Wasserstein diffusion on graphs with missing attributes

• arxiv url: http://arxiv.org/abs/2102.03450v1
• Date: Sat, 6 Feb 2021 00:06:51 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-09 16:04:59.585947
• Title: Wasserstein diffusion on graphs with missing attributes
• Title（参考訳）: 失属性グラフ上のwasserstein拡散
• Authors: Zhixian Chen, Tengfei Ma, Yangqiu Song, Yang Wang
• Abstract要約: 本稿では,ノード表現学習フレームワークであるワッサーシュタイングラフ拡散(WGD)を提案し,問題を緩和する。 提案手法は,特徴量計算の代わりに,欠落した属性グラフからノード表現を直接学習する。
• 参考スコア（独自算出の注目度）: 38.153052525001264
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Missing node attributes is a common problem in real-world graphs. Graph neural networks have been demonstrated powerful in graph representation learning, however, they rely heavily on the completeness of graph information. Few of them consider the incomplete node attributes, which can bring great damage to the performance in practice. In this paper, we propose an innovative node representation learning framework, Wasserstein graph diffusion (WGD), to mitigate the problem. Instead of feature imputation, our method directly learns node representations from the missing-attribute graphs. Specifically, we extend the message passing schema in general graph neural networks to a Wasserstein space derived from the decomposition of attribute matrices. We test WGD in node classification tasks under two settings: missing whole attributes on some nodes and missing only partial attributes on all nodes. In addition, we find WGD is suitable to recover missing values and adapt it to tackle matrix completion problems with graphs of users and items. Experimental results on both tasks demonstrate the superiority of our method.
• Abstract（参考訳）: ノード属性の欠落は、現実世界のグラフでよくある問題です。 グラフニューラルネットワークはグラフ表現学習において強力であるが、グラフ情報の完全性に大きく依存している。 実際にはパフォーマンスに大きなダメージを与える可能性がある、不完全なノード属性を考える人は少ない。 本稿では,この問題を軽減するために,革新的なノード表現学習フレームワークwasserstein graph diffusion (wgd)を提案する。 特徴インプテーションの代わりに,本手法は欠落グラフから直接ノード表現を学習する。 具体的には、一般的なグラフニューラルネットワークにおけるメッセージパッシングスキーマを属性行列の分解に由来するWasserstein空間に拡張する。 我々は、ノード分類タスクでwgdを2つの設定でテストした。 さらに、WGDは欠落した値を回復し、ユーザーやアイテムのグラフでマトリックス補完の問題に取り組むのに適しています。 両タスクの実験結果は,本手法の優位性を示した。

関連論文リスト

• Deep Manifold Graph Auto-Encoder for Attributed Graph Embedding [51.75091298017941]
  本稿では,属性付きグラフデータに対する新しいDeep Manifold (Variational) Graph Auto-Encoder (DMVGAE/DMGAE)を提案する。 提案手法は,最先端のベースラインアルゴリズムを,一般的なデータセット間でのダウンストリームタスクの差を大きく越える。
  論文  参考訳（メタデータ） (2024-01-12T17:57:07Z)
• Saliency-Aware Regularized Graph Neural Network [39.82009838086267]
  グラフ分類のためのSAR-GNN(Saliency-Aware Regularized Graph Neural Network)を提案する。 まず,コンパクトなグラフ表現とノード特徴とのセマンティックな類似性を測定することで,グローバルノードの正当性を推定する。 そして、学習した塩分濃度分布を利用して、背骨の近傍集合を規則化する。
  論文  参考訳（メタデータ） (2024-01-01T13:44:16Z)
• Self-supervised Heterogeneous Graph Variational Autoencoders [11.995393209449357]
  Heterogeneous Information Networks (HINs) は近年,グラフマイニングにおいて優れた性能を示している。 既存のヘテロジニアスグラフニューラルネットワーク(HGNN)は、欠落した属性、不正確な属性、ノードのラベル不足の問題を無視している。 本稿では,これらの問題に同時に対処する自己教師型モデルSHAVAを提案する。
  論文  参考訳（メタデータ） (2023-11-14T06:15:16Z)
• 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)
• Graph Decipher: A transparent dual-attention graph neural network to understand the message-passing mechanism for the node classification [2.0047096160313456]
  本稿では,メッセージパッシング機構を調べるために,Graph Decipherと呼ばれる新しい透過型ネットワークを提案する。 本アルゴリズムは,ノード分類タスクの負荷を大幅に低減しつつ,最先端の性能を実現する。
  論文  参考訳（メタデータ） (2022-01-04T23:24:00Z)
• Graph Entropy Guided Node Embedding Dimension Selection for Graph Neural Networks [74.26734952400925]
  ノード埋め込み次元選択(NEDS)のための最小グラフエントロピー(MinGE)アルゴリズムを提案する。 ミンゲは、グラフ上の特徴エントロピーと構造エントロピーの両方を考えており、それらはそれらのリッチな情報の特徴に従って慎重に設計されている。 ベンチマークデータセット上で人気のグラフニューラルネットワーク(GNN)を用いた実験は,提案したMinGEの有効性と一般化性を示す。
  論文  参考訳（メタデータ） (2021-05-07T11:40:29Z)
• Learning on Attribute-Missing Graphs [66.76561524848304]
  部分ノードのみの属性が利用できるグラフがあり、他の属性が完全に欠落している可能性がある。 一般的なGNNを含む既存のグラフ学習手法では、満足な学習性能が得られない。 我々は,属性欠落グラフのための構造属性変換器(SAT)と呼ばれる新しい分布マッチングベースGNNを開発した。
  論文  参考訳（メタデータ） (2020-11-03T11:09:52Z)
• 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。