論文の概要: Deepened Graph Auto-Encoders Help Stabilize and Enhance Link Prediction
- arxiv url: http://arxiv.org/abs/2103.11414v1
- Date: Sun, 21 Mar 2021 14:43:10 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-23 14:13:36.715925
- Title: Deepened Graph Auto-Encoders Help Stabilize and Enhance Link Prediction
- Title（参考訳）: グラフ自動エンコーダの強化がリンク予測の安定化と強化に役立つ
- Authors: Xinxing Wu and Qiang Cheng
- Abstract要約: リンク予測は、浅層グラフオートエンコーダ(GAE)アーキテクチャの1層または2層に基づく現在の最先端モデルを用いて、比較的未研究のグラフ学習タスクである。
本論文では,浅いGAEと変動GAEしか使用できないリンク予測の現在の手法の限界に対処することに焦点をあてる。
提案手法はGAEのアーキテクチャに標準オートエンコーダ(AE)を革新的に組み込んでおり、標準AEは隣接情報とノード機能をシームレスに統合することで必要不可欠な低次元表現を学習する。
- 参考スコア（独自算出の注目度）: 11.927046591097623
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Graph neural networks have been used for a variety of learning tasks, such as
link prediction, node classification, and node clustering. Among them, link
prediction is a relatively under-studied graph learning task, with current
state-of-the-art models based on one- or two-layer of shallow graph
auto-encoder (GAE) architectures. In this paper, we focus on addressing a
limitation of current methods for link prediction, which can only use shallow
GAEs and variational GAEs, and creating effective methods to deepen
(variational) GAE architectures to achieve stable and competitive performance.
Our proposed methods innovatively incorporate standard auto-encoders (AEs) into
the architectures of GAEs, where standard AEs are leveraged to learn essential,
low-dimensional representations via seamlessly integrating the adjacency
information and node features, while GAEs further build multi-scaled
low-dimensional representations via residual connections to learn a compact
overall embedding for link prediction. Empirically, extensive experiments on
various benchmarking datasets verify the effectiveness of our methods and
demonstrate the competitive performance of our deepened graph models for link
prediction. Theoretically, we prove that our deep extensions inclusively
express multiple polynomial filters with different orders.
- Abstract（参考訳）: グラフニューラルネットワークは、リンク予測、ノード分類、ノードクラスタリングなど、さまざまな学習タスクに使用されている。
それらのうちリンク予測は比較的未研究のグラフ学習タスクであり、現在の最先端モデルは浅いグラフオートエンコーダ(GAE)アーキテクチャの1層または2層に基づいている。
本稿では,浅いゲイや変動ゲイのみを使用できるリンク予測のための現在の手法の限界に対処し,安定した競合性能を達成するために(可変的な)gaeアーキテクチャを深く深める効果的な手法を作成することに焦点を当てる。
提案手法は,標準オートエンコーダ(AE)を革新的にGAEのアーキテクチャに組み込んだもので,標準AEを有効活用して,隣接情報とノード特徴をシームレスに統合することで,必要不可欠な低次元表現を学習し,GAEは残差接続を介してマルチスケールの低次元表現を構築し,リンク予測のためのコンパクトな総合埋め込みを学習する。
実験により,様々なベンチマークデータセットに対する広範囲な実験を行い,提案手法の有効性を検証し,リンク予測のためのグラフモデルの競争力を実証した。
理論的には、深い拡張が複数の多項式フィルタを異なる順序で包括的に表現することを証明する。
関連論文リスト
- Reconsidering the Performance of GAE in Link Prediction [27.038895601935195]
グラフオートエンコーダ(GAE)の可能性について検討する。
この結果から,より複雑なモデルの性能によく最適化されたGAEが一致し,計算効率が向上することがわかった。
論文 参考訳（メタデータ） (2024-11-06T11:29:47Z) - Scalable Weibull Graph Attention Autoencoder for Modeling Document Networks [50.42343781348247]
解析条件後部を解析し,推論精度を向上させるグラフポアソン因子分析法(GPFA)を開発した。
また,GPFAを多層構造に拡張したグラフPoisson gamma belief Network (GPGBN) を用いて,階層的な文書関係を複数の意味レベルで捉える。
本モデルでは,高品質な階層型文書表現を抽出し,様々なグラフ解析タスクにおいて有望な性能を実現する。
論文 参考訳（メタデータ） (2024-10-13T02:22:14Z) - Language Models are Graph Learners [70.14063765424012]
言語モデル(LM)は、グラフニューラルネットワーク(GNN)やグラフトランスフォーマー(GT)など、ドメイン固有のモデルの優位性に挑戦している。
本稿では,ノード分類タスクにおける最先端のGNNに匹敵する性能を実現するために,既製のLMを有効活用する手法を提案する。
論文 参考訳（メタデータ） (2024-10-03T08:27:54Z) - Self-Supervised Contrastive Graph Clustering Network via Structural Information Fusion [15.293684479404092]
CGCNと呼ばれる新しいディープグラフクラスタリング手法を提案する。
提案手法では,事前学習プロセスにコントラスト信号と深部構造情報を導入している。
本手法は,複数の実世界のグラフデータセットに対して実験的に検証されている。
論文 参考訳（メタデータ） (2024-08-08T09:49:26Z) - Variational Disentangled Graph Auto-Encoders for Link Prediction [10.390861526194662]
本稿では,DGAE(disentangled graph auto-encoder)とVDGAE(variantal disentangled graph auto-encoder)の2つの変種を持つ新しいフレームワークを提案する。
提案フレームワークは,グラフのエッジの原因となる潜伏因子を推定し,その表現を一意の潜伏因子に対応する複数のチャネルに分解する。
論文 参考訳（メタデータ） (2023-06-20T06:25:05Z) - Improving Knowledge Graph Entity Alignment with Graph Augmentation [11.1094009195297]
異なる知識グラフ(KG)をまたいだ等価エンティティをリンクするエンティティアライメント(EA)は、知識融合において重要な役割を果たす。
近年、グラフニューラルネットワーク(GNN)は、多くの埋め込みベースのEA手法でうまく適用されている。
グラフの強化により、マージンベースのアライメント学習とコントラッシブなエンティティ表現学習のための2つのグラフビューを作成する。
論文 参考訳（メタデータ） (2023-04-28T01:22:47Z) - Data-heterogeneity-aware Mixing for Decentralized Learning [63.83913592085953]
グラフの混合重みとノード間のデータ不均一性の関係に収束の依存性を特徴付ける。
グラフが現在の勾配を混合する能力を定量化する計量法を提案する。
そこで本研究では,パラメータを周期的かつ効率的に最適化する手法を提案する。
論文 参考訳（メタデータ） (2022-04-13T15:54:35Z) - Self-Constructing Graph Convolutional Networks for Semantic Labeling [23.623276007011373]
本稿では,学習可能な潜伏変数を用いて埋め込みを生成する自己構築グラフ(SCG)を提案する。
SCGは、空中画像中の複雑な形状の物体から、最適化された非局所的なコンテキストグラフを自動的に取得することができる。
本稿では,ISPRS Vaihingen データセット上で提案した SCG の有効性と柔軟性を示す。
論文 参考訳（メタデータ） (2020-03-15T21:55:24Z) - 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) - Embedding Graph Auto-Encoder for Graph Clustering [90.8576971748142]
グラフ自動エンコーダ(GAE)モデルは、半教師付きグラフ畳み込みネットワーク(GCN)に基づく
我々は、グラフクラスタリングのための特定のGAEベースのモデルを設計し、その理論、すなわち、埋め込みグラフオートエンコーダ(EGAE)と整合する。
EGAEは1つのエンコーダと2つのデコーダで構成される。
論文 参考訳（メタデータ） (2020-02-20T09:53:28Z) - Graph Representation Learning via Graphical Mutual Information
Maximization [86.32278001019854]
本稿では,入力グラフとハイレベルな隠蔽表現との相関を測る新しい概念であるGMIを提案する。
我々は,グラフニューラルエンコーダの入力と出力の間でGMIを最大化することで訓練された教師なし学習モデルを開発する。
論文 参考訳（メタデータ） (2020-02-04T08:33:49Z)
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。