論文の概要: Meta-Path-Free Representation Learning on Heterogeneous Networks

• arxiv url: http://arxiv.org/abs/2102.08120v1
• Date: Tue, 16 Feb 2021 12:37:38 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-18 15:37:14.027961
• Title: Meta-Path-Free Representation Learning on Heterogeneous Networks
• Title（参考訳）: 不均一ネットワークにおけるメタパスフリー表現学習
• Authors: Jie Zhang, Jinru Ding, Suyuan Liu, Hongyan Wu
• Abstract要約: 異種ネットワーク,すなわち異種グラフ畳み込みネットワーク(HCN)におけるメタパス自由表現学習を提案する。 提案手法は異種を融合させ、$k$-strataアルゴリズム($k$は整数)を開発し、$k$-hopの構造的および意味的情報をキャプチャする。 実験の結果,提案手法は様々な解析課題において,現在の最先端手法よりも有意に優れていた。
• 参考スコア（独自算出の注目度）: 5.106061955284303
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Real-world networks and knowledge graphs are usually heterogeneous networks. Representation learning on heterogeneous networks is not only a popular but a pragmatic research field. The main challenge comes from the heterogeneity -- the diverse types of nodes and edges. Besides, for a given node in a HIN, the significance of a neighborhood node depends not only on the structural distance but semantics. How to effectively capture both structural and semantic relations is another challenge. The current state-of-the-art methods are based on the algorithm of meta-path and therefore have a serious disadvantage -- the performance depends on the arbitrary choosing of meta-path(s). However, the selection of meta-path(s) is experience-based and time-consuming. In this work, we propose a novel meta-path-free representation learning on heterogeneous networks, namely Heterogeneous graph Convolutional Networks (HCN). The proposed method fuses the heterogeneity and develops a $k$-strata algorithm ($k$ is an integer) to capture the $k$-hop structural and semantic information in heterogeneous networks. To the best of our knowledge, this is the first attempt to break out of the confinement of meta-paths for representation learning on heterogeneous networks. We carry out extensive experiments on three real-world heterogeneous networks. The experimental results demonstrate that the proposed method significantly outperforms the current state-of-the-art methods in a variety of analytic tasks.
• Abstract（参考訳）: 実世界のネットワークと知識グラフは通常異質なネットワークである。 不均一なネットワーク上での表現学習は、人気のあるだけでなく、実用的な研究分野です。 主な課題は、異種性 — さまざまなタイプのノードとエッジ — にあります。 さらに、HIN内の与えられたノードに対して、近傍ノードの重要性は構造距離だけでなく意味論にも依存する。 構造的関係と意味的関係を効果的に捉える方法も課題です。 現在の最先端のメソッドはメタパスのアルゴリズムに基づいており、それ故に深刻な不利がある -- パフォーマンスはメタパスの任意の選択に依存する。 しかし、メタパスの選択は経験ベースであり、時間がかかる。 本研究では,異種ネットワーク上のメタパス自由表現学習,すなわち異種グラフ畳み込みネットワーク(HCN)を提案する。 提案手法は不均一性を融合し,$k$-strataアルゴリズム (k$ is an integer) を開発し,$k$-hopの構造的および意味的情報をヘテロジニアスネットワークで取得する。 私たちの知る限りでは、これは異種ネットワーク上での表現学習のためのメタパスの閉じ込めから抜け出す最初の試みです。 私達は3つの実世界の異種ネットワークで広範な実験を遂行します。 実験の結果,提案手法は様々な解析課題において,現在の最先端手法よりも有意に優れていた。

関連論文リスト

• Leveraging Multi-facet Paths for Heterogeneous Graph Representation Learning [2.603958690885184]
  MF2Vecは、事前に定義されたメタパスの代わりに、多面的(きめ細かい)パスを使用するモデルである。 この方法はノードとその関係の多様な側面を学習し、均質なネットワークを構築し、分類、リンク予測、クラスタリングのためのノード埋め込みを生成する。
  論文  参考訳（メタデータ） (2024-07-30T08:45:32Z)
• RAW-GNN: RAndom Walk Aggregation based Graph Neural Network [48.139599737263445]
  本稿では,新しいアグリゲーション機構を導入し,RAndom Walk Aggregation-based Graph Neural Network(RAW-GNN)法を提案する。 提案手法は,広義のランダムウォークサーチを用いて,ホモフィリー情報と深さ優先の探索を行い,ヘテロフィリー情報を収集する。 従来の地区をパスベースの地区に置き換え、リカレントニューラルネットワークに基づく新しい経路ベースのアグリゲータを導入する。
  論文  参考訳（メタデータ） (2022-06-28T12:19:01Z)
• Representation Learning on Heterostructures via Heterogeneous Anonymous Walks [9.94967091840104]
  ノードタイプと基盤構造を高度に多様に組み合わせたため,ヘテロ構造上での表現学習は極めて困難である。 異種匿名歩行埋め込み(HAW)とその変種粗いHAW(CHAW)という理論的に保証された手法を提案する。 そして、不均一な匿名ウォーク埋め込み(HAWE)とその派生した粗いHAWEをデータ駆動方式で考案し、非常に多数のウォークとトレイン埋め込みを用いて回避する。
  論文  参考訳（メタデータ） (2022-01-18T13:28:42Z)
• SHGNN: Structure-Aware Heterogeneous Graph Neural Network [77.78459918119536]
  本稿では、上記の制約に対処する構造対応不均一グラフニューラルネットワーク(SHGNN)を提案する。 まず,メタパス内の中間ノードの局所構造情報を取得するために,特徴伝搬モジュールを利用する。 次に、ツリーアテンションアグリゲータを使用して、グラフ構造情報をメタパス上のアグリゲーションモジュールに組み込む。 最後に、メタパスアグリゲータを利用して、異なるメタパスから集約された情報を融合する。
  論文  参考訳（メタデータ） (2021-12-12T14:18:18Z)
• Embedding Heterogeneous Networks into Hyperbolic Space Without Meta-path [9.153817737157365]
  本稿では,異種ネットワークを双曲空間に埋め込むメタパスを必要としない,自己誘導型ランダムウォーク法を提案する。 我々は,2つの公開データセット上でのネットワーク再構築とリンク予測のタスクについて,徹底的な実験を行った。
  論文  参考訳（メタデータ） (2021-06-18T05:24:13Z)
• Uniting Heterogeneity, Inductiveness, and Efficiency for Graph Representation Learning [68.97378785686723]
  グラフニューラルネットワーク(GNN)は,グラフ上のノード表現学習の性能を大幅に向上させた。 GNNの過半数クラスは均質グラフのためにのみ設計されており、より有益な異種グラフに劣る適応性をもたらす。 本稿では,低次ノードと高次ノードの両方のエッジに付随するヘテロジニアスなノード特徴をパッケージ化する,新しい帰納的メタパスフリーメッセージパッシング方式を提案する。
  論文  参考訳（メタデータ） (2021-04-04T23:31:39Z)
• Learning the Implicit Semantic Representation on Graph-Structured Data [57.670106959061634]
  グラフ畳み込みネットワークにおける既存の表現学習手法は主に、各ノードの近傍を知覚全体として記述することで設計される。 本稿では,グラフの潜在意味パスを学習することで暗黙的な意味を探索する意味グラフ畳み込みネットワーク(sgcn)を提案する。
  論文  参考訳（メタデータ） (2021-01-16T16:18:43Z)
• TriNE: Network Representation Learning for Tripartite Heterogeneous Networks [8.93957397187611]
  我々はTriNEと呼ばれる三部構造ヘテロジニアスネットワークを組込み開発する。 この手法は、ノード間の明示的な関係をモデル化する目的関数を構築するために、ユニークなユーザ-item-tag三部関係を考察する。 実世界の三部ネットワークの実験は、オンラインユーザ応答予測におけるTriNEの性能を検証する。
  論文  参考訳（メタデータ） (2020-10-14T05:30:09Z)
• A Multi-Semantic Metapath Model for Large Scale Heterogeneous Network Representation Learning [52.83948119677194]
  大規模不均一表現学習のためのマルチセマンティックメタパス(MSM)モデルを提案する。 具体的には,マルチセマンティックなメタパスに基づくランダムウォークを生成し,不均衡な分布を扱うヘテロジニアスな近傍を構築する。 提案するフレームワークに対して,AmazonとAlibabaの2つの挑戦的なデータセットに対して,体系的な評価を行う。
  論文  参考訳（メタデータ） (2020-07-19T22:50:20Z)
• Detecting Communities in Heterogeneous Multi-Relational Networks:A Message Passing based Approach [89.19237792558687]
  コミュニティは、ソーシャルネットワーク、生物学的ネットワーク、コンピュータおよび情報ネットワークを含むネットワークの共通の特徴である。 我々は,全同種ネットワークのコミュニティを同時に検出する効率的なメッセージパッシングに基づくアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-04-06T17:36:24Z)

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。