論文の概要: Higher-Order Attribute-Enhancing Heterogeneous Graph Neural Networks
- arxiv url: http://arxiv.org/abs/2104.07892v1
- Date: Fri, 16 Apr 2021 04:56:38 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-20 02:40:34.076267
- Title: Higher-Order Attribute-Enhancing Heterogeneous Graph Neural Networks
- Title（参考訳）: 高次属性型不均一グラフニューラルネットワーク
- Authors: Jianxin Li, Hao Peng, Yuwei Cao, Yingtong Dou, Hekai Zhang, Philip S.
Yu, Lifang He
- Abstract要約: 異種ネットワーク表現学習のための高次属性強化グラフニューラルネットワーク(HAEGNN)を提案する。
HAEGNNは、リッチで異質なセマンティクスのためのメタパスとメタグラフを同時に組み込む。
ノード分類、ノードクラスタリング、可視化における最先端の手法よりも優れたパフォーマンスを示す。
- 参考スコア（独自算出の注目度）: 67.25782890241496
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Graph neural networks (GNNs) have been widely used in deep learning on
graphs. They can learn effective node representations that achieve superior
performances in graph analysis tasks such as node classification and node
clustering. However, most methods ignore the heterogeneity in real-world
graphs. Methods designed for heterogeneous graphs, on the other hand, fail to
learn complex semantic representations because they only use meta-paths instead
of meta-graphs. Furthermore, they cannot fully capture the content-based
correlations between nodes, as they either do not use the self-attention
mechanism or only use it to consider the immediate neighbors of each node,
ignoring the higher-order neighbors. We propose a novel Higher-order
Attribute-Enhancing (HAE) framework that enhances node embedding in a
layer-by-layer manner. Under the HAE framework, we propose a Higher-order
Attribute-Enhancing Graph Neural Network (HAEGNN) for heterogeneous network
representation learning. HAEGNN simultaneously incorporates meta-paths and
meta-graphs for rich, heterogeneous semantics, and leverages the self-attention
mechanism to explore content-based nodes interactions. The unique higher-order
architecture of HAEGNN allows examining the first-order as well as higher-order
neighborhoods. Moreover, HAEGNN shows good explainability as it learns the
importances of different meta-paths and meta-graphs. HAEGNN is also
memory-efficient, for it avoids per meta-path based matrix calculation.
Experimental results not only show HAEGNN superior performance against the
state-of-the-art methods in node classification, node clustering, and
visualization, but also demonstrate its superiorities in terms of memory
efficiency and explainability.
- Abstract（参考訳）: グラフニューラルネットワーク(GNN)は、グラフのディープラーニングに広く利用されている。
効果的なノード表現を学習し、ノード分類やノードクラスタリングといったグラフ分析タスクで優れたパフォーマンスを達成することができる。
しかし、ほとんどの手法は実世界のグラフの不均一性を無視する。
一方、異種グラフ用に設計された手法は、メタグラフの代わりにメタパスのみを使用するため、複雑な意味表現を学習できない。
さらに、ノード間のコンテンツベースの相関を完全に把握することはできず、自己照準機構を使用しないか、あるいは各ノードの直近の隣接を考慮し、上位の隣人を無視しているだけである。
本稿では,階層ごとのノード埋め込みを向上する新しい高次属性・エンハンシング(HAE)フレームワークを提案する。
haeフレームワークでは,ヘテロジニアスネットワーク表現学習のための高次属性拡張グラフニューラルネットワーク(haegnn)を提案する。
HAEGNNは、リッチでヘテロジニアスなセマンティクスのためのメタパスとメタグラフを同時に組み込んで、自己認識機構を活用してコンテンツベースのノードインタラクションを探索する。
HAEGNNのユニークな高階アーキテクチャは、一階と高階の地区を検査することができる。
さらに、HAEGNNは、異なるメタパスとメタグラフの重要性を学ぶことによって、優れた説明可能性を示す。
HAEGNNはメモリ効率も良く、メタパスベースの行列計算を避ける。
実験結果は,ノード分類,ノードクラスタリング,可視化における最先端手法に対するHAEGNNの優れた性能を示すだけでなく,メモリ効率と説明可能性の観点からもその優位性を示す。
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) - Seq-HGNN: Learning Sequential Node Representation on Heterogeneous Graph [57.2953563124339]
本稿では,シーケンシャルノード表現,すなわちSeq-HGNNを用いた新しい異種グラフニューラルネットワークを提案する。
Heterogeneous Graph Benchmark (HGB) と Open Graph Benchmark (OGB) の4つの広く使われているデータセットについて広範な実験を行った。
論文 参考訳（メタデータ） (2023-05-18T07:27:18Z) - Heterogeneous Graph Tree Networks [8.50892442127182]
異種グラフニューラルネットワーク(HGNN)は近年,研究の関心が高まっている。
1つのクラスはメタパスベースのHGNNで、メタパスをハンドクラフトするためにドメイン知識を必要とするか、メタパスを自動的に構築するために大量の時間とメモリを消費する。
HetGTCN(Heterogeneous Graph Tree Convolutional Network)とHetGTAN(Hetogeneous Graph Tree Attention Network)の2つのモデルを提案する。
論文 参考訳（メタデータ） (2022-09-01T17:22:01Z) - SGAT: Simplicial Graph Attention Network [38.7842803074593]
不均一グラフは複数のノード型とエッジ型を持ち、同質グラフよりも意味的にリッチである。
不均一グラフに対する多くのグラフニューラルネットワークアプローチは、ノード間のマルチホップ相互作用をキャプチャするためにメタパスを使用する。
SGAT(Simplicial Graph Attention Network)は、このような高次相互作用を表現するための単純な複雑なアプローチである。
論文 参考訳（メタデータ） (2022-07-24T15:20:41Z) - Simple and Efficient Heterogeneous Graph Neural Network [55.56564522532328]
不均一グラフニューラルネットワーク(HGNN)は、不均一グラフの豊富な構造的および意味的な情報をノード表現に埋め込む強力な能力を持つ。
既存のHGNNは、同種グラフ上のグラフニューラルネットワーク(GNN)から多くのメカニズム、特に注意機構と多層構造を継承する。
本稿では,これらのメカニズムを詳細に検討し,簡便かつ効率的なヘテロジニアスグラフニューラルネットワーク(SeHGNN)を提案する。
論文 参考訳（メタデータ） (2022-07-06T10:01:46Z) - Exploiting Neighbor Effect: Conv-Agnostic GNNs Framework for Graphs with
Heterophily [58.76759997223951]
我々はフォン・ノイマンエントロピーに基づく新しい計量を提案し、GNNのヘテロフィリー問題を再検討する。
また、異種データセット上でのほとんどのGNNの性能を高めるために、Conv-Agnostic GNNフレームワーク(CAGNN)を提案する。
論文 参考訳（メタデータ） (2022-03-19T14:26:43Z) - 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) - Graph Neural Networks with Feature and Structure Aware Random Walk [7.143879014059894]
典型的な好適なグラフでは、エッジを指向する可能性があり、エッジをそのまま扱うか、あるいは単純に非指向にするかは、GNNモデルの性能に大きな影響を与える。
そこで我々は,グラフの方向性を適応的に学習するモデルを開発し,ノード間の長距離相関を生かした。
論文 参考訳（メタデータ） (2021-11-19T08:54:21Z) - Metapaths guided Neighbors aggregated Network for?Heterogeneous Graph
Reasoning [5.228629954007088]
メタパス誘導隣り合わせ型非均質グラフニューラルネットワークを提案し,性能向上を図る。
提案したMHNの3つの実世界の異種グラフデータセットに対する広範な実験を行った。
論文 参考訳（メタデータ） (2021-03-11T05:42:06Z) - Scalable Graph Neural Networks for Heterogeneous Graphs [12.44278942365518]
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を学習するためのパラメトリックモデルの一般的なクラスである。
最近の研究は、GNNが主に機能をスムースにするためにグラフを使用しており、ベンチマークタスクで競合する結果を示していると主張している。
本研究では、これらの結果が異種グラフに拡張可能かどうかを問うとともに、異なるエンティティ間の複数のタイプの関係を符号化する。
論文 参考訳（メタデータ） (2020-11-19T06:03:35Z)
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。