論文の概要: mSHINE: A Multiple-meta-paths Simultaneous Learning Framework for
Heterogeneous Information Network Embedding
- arxiv url: http://arxiv.org/abs/2104.02433v1
- Date: Tue, 6 Apr 2021 11:35:56 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-07 13:51:12.009062
- Title: mSHINE: A Multiple-meta-paths Simultaneous Learning Framework for
Heterogeneous Information Network Embedding
- Title（参考訳）: mSHINE: 異種情報ネットワーク埋め込みのためのマルチメタパス同時学習フレームワーク
- Authors: Xinyi Zhang, Lihui Chen
- Abstract要約: 不均一情報ネットワーク(HIN)は、明示的なネットワーク構造を用いて、豊富な情報を持つオブジェクトをモデル化するために用いられる。
従来のネットワーク埋め込みアルゴリズムは、HINによって提供される潜在的に互換性のないセマンティクスを捕えるのに最適である。
mSHINEは、異なるメタパスのための複数のノード表現を同時に学習するように設計されている。
- 参考スコア（独自算出の注目度）: 15.400191040779376
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Heterogeneous information networks(HINs) become popular in recent years for
its strong capability of modelling objects with abundant information using
explicit network structure. Network embedding has been proved as an effective
method to convert information networks into lower-dimensional space, whereas
the core information can be well preserved. However, traditional network
embedding algorithms are sub-optimal in capturing rich while potentially
incompatible semantics provided by HINs. To address this issue, a novel
meta-path-based HIN representation learning framework named mSHINE is designed
to simultaneously learn multiple node representations for different meta-paths.
More specifically, one representation learning module inspired by the RNN
structure is developed and multiple node representations can be learned
simultaneously, where each representation is associated with one respective
meta-path. By measuring the relevance between nodes with the designed objective
function, the learned module can be applied in downstream link prediction
tasks. A set of criteria for selecting initial meta-paths is proposed as the
other module in mSHINE which is important to reduce the optimal meta-path
selection cost when no prior knowledge of suitable meta-paths is available. To
corroborate the effectiveness of mSHINE, extensive experimental studies
including node classification and link prediction are conducted on five
real-world datasets. The results demonstrate that mSHINE outperforms other
state-of-the-art HIN embedding methods.
- Abstract（参考訳）: 近年,明示的なネットワーク構造を用いて情報量の多いオブジェクトをモデリングする能力によって,異種情報ネットワーク(HIN)が普及している。
ネットワーク埋め込みは,情報ネットワークを低次元空間に変換する効果的な手法として証明されている。
しかし、従来のネットワーク埋め込みアルゴリズムは、HINによって提供される潜在的に互換性のないセマンティクスを捕えるのに最適ではない。
この問題を解決するために、mSHINEと呼ばれる新しいメタパスベースのHIN表現学習フレームワークは、異なるメタパスに対して複数のノード表現を同時に学習するように設計されている。
より具体的には、RNN構造にインスパイアされた1つの表現学習モジュールを開発し、複数のノード表現を同時に学習することができる。
対象関数の設計したノード間の関連性を測定することにより、学習モジュールを下流リンク予測タスクに適用することができる。
適切なメタパスの事前知識がない場合に最適なメタパス選択コストを削減することが重要であるmSHINEの他のモジュールとして、初期メタパスを選択するための基準セットを提案する。
mSHINEの有効性を裏付けるために,5つの実世界のデータセットに対してノード分類とリンク予測を含む広範な実験を行った。
その結果、mshineは他のhin埋め込みメソッドよりも優れていることがわかった。
関連論文リスト
- Inductive Meta-path Learning for Schema-complex Heterogeneous Information Networks [46.325577161493726]
Heterogeneous Information Networks (HIN) は、複数のノードとエッジを持つ情報ネットワークである。
メタパスの概念、すなわち2つのエンティティを接続するエンティティタイプと関係型のシーケンスは、様々なHINタスクのためのメタレベル説明可能なセマンティクスを提供するために提案される。
論文 参考訳（メタデータ） (2023-07-08T09:10:43Z) - Differentiable Meta Multigraph Search with Partial Message Propagation
on Heterogeneous Information Networks [18.104982772430102]
異種情報ネットワーク(HIN)上でのニューラルネットワーク設計を自動的に最適化するPMMM(Partial Message Meta Multigraph Search)を提案する。
PMMMは、意味のあるメタマルチグラフを探すために効率的な微分可能なフレームワークを採用しており、メタグラフよりも柔軟で複雑なセマンティックな関係を捉えることができる。
我々の手法は、最先端の異種GNNより優れ、意味のあるメタマルチグラフを見つけ、より安定している。
論文 参考訳（メタデータ） (2022-11-27T07:35:42Z) - Adaptive Convolutional Dictionary Network for CT Metal Artifact
Reduction [62.691996239590125]
本稿では,金属人工物削減のための適応畳み込み辞書ネットワーク(ACDNet)を提案する。
我々のACDNetは、トレーニングデータを介して、アーティファクトフリーCT画像の事前を自動で学習し、入力されたCT画像ごとに表現カーネルを適応的に調整することができる。
本手法は,モデルに基づく手法の明確な解釈可能性を継承し,学習に基づく手法の強力な表現能力を維持する。
論文 参考訳（メタデータ） (2022-05-16T06:49:36Z) - 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) - PredRNN: A Recurrent Neural Network for Spatiotemporal Predictive
Learning [109.84770951839289]
歴史的文脈からビジュアルダイナミクスを学習するための新しいリカレントネットワークであるPredRNNを紹介する。
本手法は,3つの標準データセット上で高い競争結果が得られることを示す。
論文 参考訳（メタデータ） (2021-03-17T08:28:30Z) - GAHNE: Graph-Aggregated Heterogeneous Network Embedding [32.44836376873812]
異種ネットワーク埋め込みは、ノードを低次元ベクトルに埋め込み、異種ネットワークの豊富な本質的な情報を捕捉することを目的としている。
既存のモデルは、手動でメタパスを設計するか、異なるセマンティクス間の相互効果を無視するか、あるいはグローバルネットワークからの情報のいくつかの側面を省略する。
GAHNEモデルでは、異なる単一タイプのサブネットワークからのセマンティック表現を集約する機構を開発し、グローバル情報を最終埋め込みに融合させる。
論文 参考訳（メタデータ） (2020-12-23T07:11:30Z) - MetaGater: Fast Learning of Conditional Channel Gated Networks via
Federated Meta-Learning [46.79356071007187]
本稿では,バックボーンネットワークとチャネルゲーティングを協調的にトレーニングするための総合的なアプローチを提案する。
我々は,バックボーンネットワークとゲーティングモジュールの両方において,優れたメタ初期化を共同で学習するための,連携型メタ学習手法を開発した。
論文 参考訳（メタデータ） (2020-11-25T04:26:23Z) - Self-Supervised Learning of Contextual Embeddings for Link Prediction in
Heterogeneous Networks [11.540329725077843]
本研究では,グラフ全体からのグローバル情報を用いた静的表現学習手法をブリッジするフレームワークであるSLiCEを開発する。
まず、上位のセマンティックアソシエーションやマスキングノードを導入し、自己教師付きでモデルを事前訓練する。
また、セマンティックアソシエーション行列を解釈し、ネットワーク内の異種ノード間のリンク予測を成功させるために、その有用性と関連性を提供する。
論文 参考訳（メタデータ） (2020-07-22T03:48:53Z) - 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) - GCN for HIN via Implicit Utilization of Attention and Meta-paths [104.24467864133942]
不均一情報ネットワーク(HIN)埋め込みは、HINの構造と意味情報を分散表現にマッピングすることを目的としている。
本稿では,注意とメタパスを暗黙的に活用するニューラルネットワーク手法を提案する。
まず、各層で識別集約を行う多層グラフ畳み込みネットワーク(GCN)フレームワークを用いる。
次に,アグリゲーションから分離可能な新しい伝搬操作を導入することにより,効果的な緩和と改善を行う。
論文 参考訳（メタデータ） (2020-07-06T11:09:40Z) - Policy-GNN: Aggregation Optimization for Graph Neural Networks [60.50932472042379]
グラフニューラルネットワーク(GNN)は、局所的なグラフ構造をモデル化し、隣人からの情報を集約することで階層的なパターンを捉えることを目的としている。
複雑なグラフとスパースな特徴を与えられた各ノードに対して効果的なアグリゲーション戦略を開発することは難しい課題である。
本稿では,GNNのサンプリング手順とメッセージパッシングを複合学習プロセスにモデル化するメタ政治フレームワークであるPolicy-GNNを提案する。
論文 参考訳（メタデータ） (2020-06-26T17:03:06Z)
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。