論文の概要: Semi-Supervised Graph-to-Graph Translation

• arxiv url: http://arxiv.org/abs/2103.08827v1
• Date: Tue, 16 Mar 2021 03:24:20 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-17 13:24:39.079062
• Title: Semi-Supervised Graph-to-Graph Translation
• Title（参考訳）: 半教師付きグラフ-グラフ変換
• Authors: Tianxiang Zhao, Xianfeng Tang, Xiang Zhang, Suhang Wang
• Abstract要約: グラフ翻訳は有望な研究の方向性であり、現実世界に広く応用できる可能性がある。 重要な理由のひとつは、高品質なペアデータセットがないことだ。 意味遷移をモデル化するために変換を明示的に行う双対表現空間を構築することを提案する。
• 参考スコア（独自算出の注目度）: 31.47555366566109
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graph translation is very promising research direction and has a wide range of potential real-world applications. Graph is a natural structure for representing relationship and interactions, and its translation can encode the intrinsic semantic changes of relationships in different scenarios. However, despite its seemingly wide possibilities, usage of graph translation so far is still quite limited. One important reason is the lack of high-quality paired dataset. For example, we can easily build graphs representing peoples' shared music tastes and those representing co-purchase behavior, but a well paired dataset is much more expensive to obtain. Therefore, in this work, we seek to provide a graph translation model in the semi-supervised scenario. This task is non-trivial, because graph translation involves changing the semantics in the form of link topology and node attributes, which is difficult to capture due to the combinatory nature and inter-dependencies. Furthermore, due to the high order of freedom in graph's composition, it is difficult to assure the generalization ability of trained models. These difficulties impose a tighter requirement for the exploitation of unpaired samples. Addressing them, we propose to construct a dual representation space, where transformation is performed explicitly to model the semantic transitions. Special encoder/decoder structures are designed, and auxiliary mutual information loss is also adopted to enforce the alignment of unpaired/paired examples. We evaluate the proposed method in three different datasets.
• Abstract（参考訳）: グラフ翻訳は、非常に有望な研究方向であり、多種多様な実世界応用がある。 グラフは関係と相互作用を表現する自然な構造であり、その翻訳は異なるシナリオにおける関係の本質的な意味の変化をエンコードすることができる。 しかし、その大きな可能性にもかかわらず、今のところグラフ翻訳の利用は限られている。 重要な理由のひとつは、高品質なペアデータセットがないことだ。 例えば、人々の共有音楽の好みを表すグラフや、共同購入行動を表すグラフを簡単に構築できますが、うまくペアリングされたデータセットを得るにはずっとコストがかかります。 そこで本研究では,半教師付きシナリオにおけるグラフ翻訳モデルを提案する。 グラフ変換は、リンクトポロジーとノード属性の形式で意味を変化させるが、組み合わせの性質と相互依存性のため、キャプチャが難しいため、このタスクは自明ではない。 さらに,グラフの構成の自由度が高いため,訓練されたモデルの一般化能力を保証することは困難である。 これらの困難は、未汚染のサンプルを搾取するためのより厳しい要件を課している。 そこで我々は,意味遷移をモデル化するために,変換を明示的に行う双対表現空間を構築することを提案する。 特別なエンコーダ/デコーダ構造が設計され、補助的な相互情報損失も非ペア/ペアの例のアライメントを強制するために採用される。 提案手法を3つの異なるデータセットで評価する。

関連論文リスト

• HiGPT: Heterogeneous Graph Language Model [27.390123898556805]
  不均一グラフ学習は、異種グラフ内のエンティティ間の複雑な関係や多様な意味を捉えることを目的としている。 異種グラフ学習のための既存のフレームワークは、多種多様な異種グラフデータセットをまたいだ一般化に制限がある。 異種グラフ命令チューニングパラダイムを用いた一般的なグラフモデルであるHiGPTを提案する。
  論文  参考訳（メタデータ） (2024-02-25T08:07:22Z)
• You Only Transfer What You Share: Intersection-Induced Graph Transfer Learning for Link Prediction [79.15394378571132]
  従来見過ごされていた現象を調査し、多くの場合、元のグラフに対して密に連結された補グラフを見つけることができる。 より密度の高いグラフは、選択的で有意義な知識を伝達するための自然なブリッジを提供する元のグラフとノードを共有することができる。 この設定をグラフインターセクション誘導トランスファーラーニング(GITL)とみなし,eコマースや学術共同オーサシップ予測の実践的応用に動機づけられた。
  論文  参考訳（メタデータ） (2023-02-27T22:56:06Z)
• GrannGAN: Graph annotation generative adversarial networks [72.66289932625742]
  本稿では,高次元分布をモデル化し,グラフスケルトンと整合した複雑な関係特徴構造を持つデータの新しい例を生成することの問題点を考察する。 提案するモデルは,タスクを2つのフェーズに分割することで,各データポイントのグラフ構造に制約されたデータ特徴を生成する問題に対処する。 第一に、与えられたグラフのノードに関連する機能の分布をモデル化し、第二に、ノードのフィーチャに条件付きでエッジ機能を補完する。
  論文  参考訳（メタデータ） (2022-12-01T11:49:07Z)
• Explanation Graph Generation via Pre-trained Language Models: An Empirical Study with Contrastive Learning [84.35102534158621]
  エンドツーエンドで説明グラフを生成する事前学習言語モデルについて検討する。 本稿では,ノードとエッジの編集操作によるグラフ摂動の簡易かつ効果的な方法を提案する。 提案手法は,説明グラフの構造的精度と意味的精度を両立させる。
  論文  参考訳（メタデータ） (2022-04-11T00:58:27Z)
• Dual ResGCN for Balanced Scene GraphGeneration [106.7828712878278]
  本稿では,オブジェクト残差グラフ畳み込みネットワークと関係残差グラフ畳み込みネットワークからなる新しいモデルであるtextitdual ResGCNを提案する。 2つのネットワークは相互に補完的であり、前者はオブジェクトレベルのコンテキスト情報、すなわちオブジェクト間の接続をキャプチャする。 後者は、関係レベルのコンテキスト情報、すなわち関係間の関係を明示的にキャプチャするように設計されている。
  論文  参考訳（メタデータ） (2020-11-09T07:44:17Z)
• Hyperbolic Graph Embedding with Enhanced Semi-Implicit Variational Inference [48.63194907060615]
  半単純グラフ変分自動エンコーダを用いて,低次元グラフ潜在表現における高次統計量を取得する。 我々は、階層構造を示すグラフを効率的に表現するために、ポインケア埋め込みを通して潜在空間に双曲幾何学を組み込む。
  論文  参考訳（メタデータ） (2020-10-31T05:48:34Z)
• Generative Compositional Augmentations for Scene Graph Prediction [27.535630110794855]
  シーングラフの形で画像からオブジェクトとその関係を推定することは、視覚と言語を交わす多くのアプリケーションで有用である。 本稿では,この課題において,長い尾データ分布から生じる合成一般化の課題について考察する。 本研究では,条件付き生成逆数ネットワーク(GAN)に基づくモデルの提案と実証研究を行い,乱れたシーングラフの視覚的特徴を生成する。
  論文  参考訳（メタデータ） (2020-07-11T12:11:53Z)
• Structure-Augmented Text Representation Learning for Efficient Knowledge Graph Completion [53.31911669146451]
  人為的な知識グラフは、様々な自然言語処理タスクに重要な支援情報を提供する。 これらのグラフは通常不完全であり、自動補完を促す。 グラフ埋め込みアプローチ(例えばTransE)は、グラフ要素を密度の高い埋め込みに表現することで構造化された知識を学ぶ。 テキストエンコーディングアプローチ(KG-BERTなど)は、グラフトリプルのテキストとトリプルレベルの文脈化表現を利用する。
  論文  参考訳（メタデータ） (2020-04-30T13:50:34Z)
• Deep Multi-attributed Graph Translation with Node-Edge Co-evolution [12.2432797296788]
  画像および言語翻訳から一般化されたグラフ変換は、入力グラフをソース領域に条件付けすることで、対象領域内のグラフを生成することを目的としている。 既存の作業は、固定トポロジを持つグラフのノード属性を単に予測することや、ノード属性を考慮せずにグラフトポロジのみを予測することに限定されている。 本稿では,ノード翻訳とエッジ翻訳をシームレスに統合する新しいフレームワークを開発する。
  論文  参考訳（メタデータ） (2020-03-22T16:49:53Z)

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。