論文の概要: Bridging Graph Neural Networks and Statistical Relational Learning:
Relational One-Class GCN
- arxiv url: http://arxiv.org/abs/2102.07007v1
- Date: Sat, 13 Feb 2021 21:34:44 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-16 15:39:56.749505
- Title: Bridging Graph Neural Networks and Statistical Relational Learning:
Relational One-Class GCN
- Title(参考訳): グラフニューラルネットワークのブリッジングと統計的リレーショナルラーニング:リレーショナルワンクラスGCN
- Authors: Devendra Singh Dhami (1), Siwen Yan (2), Sriraam Natarajan (2) ((1) TU
Darmstadt, (2) The University of Texas at Dallas)
- Abstract要約: リレーショナルデータに対するグラフ畳み込みネットワーク(GCN)の学習の問題を検討する。
本手法は,関係密度推定手法を用いて二次グラフを構築する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We consider the problem of learning Graph Convolutional Networks (GCNs) for
relational data. Specifically, we consider the classic link prediction and node
classification problems as relational modeling tasks and develop a relational
extension to GCNs. Our method constructs a secondary graph using relational
density estimation techniques where vertices correspond to the target triples.
We emphasize the importance of learning features using the secondary graph and
the advantages of employing a distance matrix over the typically used adjacency
matrix. Our comprehensive empirical evaluation demonstrates the superiority of
our approach over $\mathbf{12}$ different GCN models, relational embedding
techniques, rule learning techniques and relational models.
- Abstract(参考訳): リレーショナルデータに対するグラフ畳み込みネットワーク(GCN)の学習の問題を検討する。
具体的には,従来のリンク予測とノード分類問題をリレーショナルモデリングタスクとして捉え,gcnsへのリレーショナル拡張を開発する。
本手法は,頂点が目標の三重項に対応する関係密度推定手法を用いて二次グラフを構築する。
我々は、二次グラフを用いた学習機能の重要性と、一般的に使用される隣接行列よりも距離行列を用いる利点を強調した。
私たちの包括的な実証的評価は、$\mathbf{12}$異なるGCNモデル、リレーショナル埋め込み技術、ルール学習技術、リレーショナルモデルに対するアプローチの優位性を示しています。
関連論文リスト
- Hierarchical Attention Models for Multi-Relational Graphs [40.143721982295915]
BR-GCN(Bi-Level Attention-Based Graph Convolutional Networks)を提案する。
BR-GCNモデルは,(1)ノードレベルの注意,(2)関係レベルの注意を通じてノードの埋め込みを学習する。
BR-GCNの注意機構は,最先端のGNNと比較して,スケーラブルで,学習に有効であることを示す。
論文 参考訳(メタデータ) (2024-04-14T21:37:39Z) - Deep Contrastive Graph Learning with Clustering-Oriented Guidance [61.103996105756394]
グラフ畳み込みネットワーク(GCN)は、グラフベースのクラスタリングを改善する上で大きな可能性を秘めている。
モデルはGCNを適用するために初期グラフを事前に推定する。
一般的なデータクラスタリングには,Deep Contrastive Graph Learning (DCGL)モデルが提案されている。
論文 参考訳(メタデータ) (2024-02-25T07:03:37Z) - DGNN: Decoupled Graph Neural Networks with Structural Consistency
between Attribute and Graph Embedding Representations [62.04558318166396]
グラフニューラルネットワーク(GNN)は、複雑な構造を持つグラフ上での表現学習の堅牢性を示す。
ノードのより包括的な埋め込み表現を得るために、Decoupled Graph Neural Networks (DGNN)と呼ばれる新しいGNNフレームワークが導入された。
複数のグラフベンチマークデータセットを用いて、ノード分類タスクにおけるDGNNの優位性を検証した。
論文 参考訳(メタデータ) (2024-01-28T06:43:13Z) - Efficient Relation-aware Neighborhood Aggregation in Graph Neural Networks via Tensor Decomposition [4.041834517339835]
グラフ畳み込みネットワーク(R-GCN)の集約関数にテンソル分解を組み込んだ新しい知識グラフを提案する。
我々のモデルは、関係型によって定義される低ランクテンソルの射影行列を用いて、隣り合う実体の表現を強化する。
我々は,グラフ処理に固有の1-k-kエンコーダ法のトレーニング制限を緩和するために,コントラスト学習にインスパイアされたトレーニング戦略を採用する。
論文 参考訳(メタデータ) (2022-12-11T19:07:34Z) - Heterogeneous Graph Neural Networks using Self-supervised Reciprocally
Contrastive Learning [102.9138736545956]
不均一グラフニューラルネットワーク(HGNN)は異種グラフのモデリングと解析において非常に一般的な手法である。
我々は,ノード属性とグラフトポロジの各ガイダンスに関する2つの視点を取り入れた,新規で頑健なヘテロジニアスグラフコントラスト学習手法であるHGCLを初めて開発する。
この新しいアプローチでは,属性とトポロジに関連情報を別々にマイニングする手法として,異なるが最も適した属性とトポロジの融合機構を2つの視点に適用する。
論文 参考訳(メタデータ) (2022-04-30T12:57:02Z) - Learning Connectivity with Graph Convolutional Networks for
Skeleton-based Action Recognition [14.924672048447338]
グラフのトポロジ特性を学習するグラフ畳み込みネットワークのための新しいフレームワークを提案する。
本手法の設計原理は制約対象関数の最適化に基づいている。
骨格に基づく行動認識の課題に対して行った実験は,提案手法の優位性を示している。
論文 参考訳(メタデータ) (2021-12-06T19:43:26Z) - GCC: Graph Contrastive Coding for Graph Neural Network Pre-Training [62.73470368851127]
グラフ表現学習は現実世界の問題に対処する強力な手法として登場した。
自己教師付きグラフニューラルネットワーク事前トレーニングフレームワークであるGraph Contrastive Codingを設計する。
3つのグラフ学習タスクと10のグラフデータセットについて実験を行った。
論文 参考訳(メタデータ) (2020-06-17T16:18:35Z) - Knowledge Embedding Based Graph Convolutional Network [35.35776808660919]
本稿では,知識埋め込みに基づくグラフ畳み込みネットワーク(KE-GCN)という新しいフレームワークを提案する。
KE-GCNはグラフベースの信念伝播におけるグラフ畳み込みネットワーク(GCN)のパワーと高度な知識埋め込み手法の強みを組み合わせたものである。
理論的解析により、KE-GCNはいくつかのよく知られたGCN法のエレガントな統一を具体例として示している。
論文 参考訳(メタデータ) (2020-06-12T17:12:51Z) - Geometrically Principled Connections in Graph Neural Networks [66.51286736506658]
我々は、幾何学的深層学習の新興分野におけるイノベーションの原動力は、幾何が依然として主要な推進力であるべきだと論じている。
グラフニューラルネットワークとコンピュータグラフィックスとデータ近似モデルとの関係:放射基底関数(RBF)
完全連結層とグラフ畳み込み演算子を組み合わせた新しいビルディングブロックであるアフィンスキップ接続を導入する。
論文 参考訳(メタデータ) (2020-04-06T13:25:46Z) - Tensor Graph Convolutional Networks for Multi-relational and Robust
Learning [74.05478502080658]
本稿では,テンソルで表されるグラフの集合に関連するデータから,スケーラブルな半教師付き学習(SSL)を実現するためのテンソルグラフ畳み込みネットワーク(TGCN)を提案する。
提案アーキテクチャは、標準的なGCNと比較して大幅に性能が向上し、最先端の敵攻撃に対処し、タンパク質間相互作用ネットワーク上でのSSL性能が著しく向上する。
論文 参考訳(メタデータ) (2020-03-15T02:33:21Z)
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。