論文の概要: Edgeless-GNN: Unsupervised Inductive Edgeless Network Embedding
- arxiv url: http://arxiv.org/abs/2104.05225v1
- Date: Mon, 12 Apr 2021 06:37:31 GMT
- ステータス: 翻訳完了
- システム内更新日: 2021-04-14 03:47:09.606446
- Title: Edgeless-GNN: Unsupervised Inductive Edgeless Network Embedding
- Title（参考訳）: Edgeless-GNN: 教師なしの誘導型エッジレスネットワーク埋め込み
- Authors: Yong-Min Shin, Cong Tran, Won-Yong Shin, Xin Cao
- Abstract要約: ネットワークを新たに入力したユーザなど,エッジレスノードを埋め込む問題について検討する。
我々は,非教師付き帰納学習により,エッジレスノードに対してもノード埋め込みを生成可能な新しいフレームワークであるEdgeless-GNNを提案する。
- 参考スコア（独自算出の注目度）: 7.391641422048645
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We study the problem of embedding edgeless nodes such as users who newly
enter the underlying network, while using graph neural networks (GNNs) widely
studied for effective representation learning of graphs thanks to its highly
expressive capability via message passing. Our study is motivated by the fact
that GNNs cannot be adopted for our problem since message passing to such
edgeless nodes having no connections is impossible. To tackle this challenge,
we propose Edgeless-GNN, a new framework that enables GNNs to generate node
embeddings even for edgeless nodes through unsupervised inductive learning.
Specifically, we utilize a $k$-nearest neighbor graph ($k$NNG) based on the
similarity of node attributes to replace the GNN's computation graph defined by
the neighborhood-based aggregation of each node. The known network structure is
used to train model parameters, whereas a loss function is established in such
a way that our model learns the network structure. For the edgeless nodes, we
inductively infer embeddings by using edges via $k$NNG construction as a
computation graph. By evaluating the performance of various downstream machine
learning (ML) tasks, we empirically demonstrate that Edgeless-GNN consistently
outperforms state-of-the-art methods of inductive network embedding. Our
framework is GNN-model-agnostic; thus, GNN models can be appropriately chosen
according to ones' needs and ML tasks.
- Abstract（参考訳）: グラフニューラルネットワーク (GNN) を用いて, メッセージパッシングによる表現能力の向上により, グラフの効率的な表現学習を実現することを目的として, エッジレスノードを新たに入力するユーザなどの問題について検討した。
本研究は,接続のないエッジレスノードへのメッセージ転送は不可能であるため,gnnをこの問題に適用できないことによるものである。
この課題に対処するため,非教師付き帰納学習により,エッジレスノードでもノード埋め込みを生成可能な新しいフレームワークであるEdgeless-GNNを提案する。
具体的には,ノード属性の類似性に基づいて,各ノードの近傍アグリゲーションによって定義されるGNNの計算グラフを置き換えるために,$k$-nearest neighbor graph(k$NNG)を利用する。
既知のネットワーク構造はモデルパラメータのトレーニングに使用されるが、損失関数はモデルがネットワーク構造を学ぶように確立される。
エッジレスノードに対しては、$k$NNG構成を計算グラフとして使用することで、埋め込みを誘導的に推論する。
各種ダウンストリーム機械学習(ML)タスクの性能を評価することで、Edgeless-GNNがインダクティブネットワーク埋め込みの最先端手法を一貫して上回っていることを実証的に示す。
我々のフレームワークはGNNモデルに依存しないため、GNNモデルはニーズやMLタスクに応じて適切に選択できる。
関連論文リスト
- Degree-based stratification of nodes in Graph Neural Networks [66.17149106033126]
グラフニューラルネットワーク(GNN)アーキテクチャを変更して,各グループのノードに対して,重み行列を個別に学習する。
このシンプルな実装変更により、データセットとGNNメソッドのパフォーマンスが改善されているようだ。
論文 参考訳（メタデータ） (2023-12-16T14:09:23Z) - Graph Coordinates and Conventional Neural Networks -- An Alternative for
Graph Neural Networks [0.10923877073891444]
メッセージパッシングGNNの新たな代替手段として,Topology Coordinate Neural Network (TCNN) と Directional Virtual Coordinate Neural Network (DVCNN) を提案する。
TCNNとDVCNNは、メッセージパッシングGNNの競合や優れたパフォーマンスを達成する。
私たちの研究は、グラフベースの機械学習のためのテクニックのツールボックスを拡張します。
論文 参考訳（メタデータ） (2023-12-03T10:14:10Z) - Collaborative Graph Neural Networks for Attributed Network Embedding [63.39495932900291]
グラフニューラルネットワーク(GNN)は、属性付きネットワーク埋め込みにおいて顕著な性能を示している。
本稿では,ネットワーク埋め込みに適したGNNアーキテクチャであるCulaborative graph Neural Networks-CONNを提案する。
論文 参考訳（メタデータ） (2023-07-22T04:52:27Z) - Superiority of GNN over NN in generalizing bandlimited functions [6.3151583550712065]
グラフニューラルネットワーク(GNN)は、さまざまなアプリケーションにまたがってグラフベースの情報を処理するための強力なリソースとして登場した。
本研究では,これらの分類におけるGNNの習熟度について検討する。
以上の結果から,GNNを用いた帯域制限関数を$varepsilon$-errorマージン内で一般化する上で,高い効率性を示した。
論文 参考訳（メタデータ） (2022-06-13T05:15:12Z) - AdaGNN: A multi-modal latent representation meta-learner for GNNs based
on AdaBoosting [0.38073142980733]
グラフニューラルネットワーク(GNN)は、固有のネットワーク機能の抽出に重点を置いている。
GNNのための強化型メタラーナを提案する。
AdaGNNは、リッチで多様なノード近傍情報を持つアプリケーションに対して非常によく機能する。
論文 参考訳（メタデータ） (2021-08-14T03:07:26Z) - Learnt Sparsification for Interpretable Graph Neural Networks [5.527927312898106]
不要な隣人を除去することにより、基礎となるグラフを明示的にスパース化するための、Kedgeと呼ばれる新しい手法を提案する。
Kedgeは、任意のGNNでトレーニングされたモジュール方式でエッジマスクを学習することで、勾配ベースの最適化を実現する。
我々は,GNN層の増加に伴うタスク性能の維持により,深いGNNにおける過度なスムース現象に対して,Kedgeが効果的に対処可能であることを示す。
論文 参考訳（メタデータ） (2021-06-23T16:04:25Z) - Identity-aware Graph Neural Networks [63.6952975763946]
グラフニューラルネットワーク(ID-GNN)を1-WLテストよりも表現力の高いメッセージクラスを開発しています。
ID-GNNは、メッセージパッシング中にノードのIDを誘導的に考慮することにより、既存のGNNアーキテクチャを拡張します。
既存のGNNをID-GNNに変換すると、挑戦ノード、エッジ、グラフプロパティ予測タスクの平均40%の精度が向上することを示す。
論文 参考訳（メタデータ） (2021-01-25T18:59:01Z) - A Unified View on Graph Neural Networks as Graph Signal Denoising [49.980783124401555]
グラフニューラルネットワーク(GNN)は,グラフ構造化データの学習表現において顕著に普及している。
本研究では,代表的GNNモデル群における集約過程を,グラフ記述問題の解法とみなすことができることを数学的に確立する。
UGNNから派生した新しいGNNモデルADA-UGNNをインスタンス化し、ノード間の適応的滑らかさでグラフを処理する。
論文 参考訳（メタデータ） (2020-10-05T04:57:18Z) - Graph Neural Networks: Architectures, Stability and Transferability [176.3960927323358]
グラフニューラルネットワーク(GNN)は、グラフでサポートされている信号のための情報処理アーキテクチャである。
これらは、個々の層がグラフ畳み込みフィルタのバンクを含む畳み込みニューラルネットワーク(CNN)の一般化である。
論文 参考訳（メタデータ） (2020-08-04T18:57:36Z) - EdgeNets:Edge Varying Graph Neural Networks [179.99395949679547]
本稿では、EdgeNetの概念を通じて、最先端グラフニューラルネットワーク(GNN)を統一する一般的なフレームワークを提案する。
EdgeNetはGNNアーキテクチャであり、異なるノードが異なるパラメータを使って異なる隣人の情報を測定することができる。
これは、ノードが実行でき、既存のグラフ畳み込みニューラルネットワーク(GCNN)とグラフアテンションネットワーク(GAT)の1つの定式化の下で包含できる一般的な線形で局所的な操作である。
論文 参考訳（メタデータ） (2020-01-21T15:51:17Z)
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。