論文の概要: A Robust and Generalized Framework for Adversarial Graph Embedding
- arxiv url: http://arxiv.org/abs/2105.10651v1
- Date: Sat, 22 May 2021 07:05:48 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-25 14:56:08.803677
- Title: A Robust and Generalized Framework for Adversarial Graph Embedding
- Title（参考訳）: 逆グラフ埋め込みのためのロバストで一般化されたフレームワーク
- Authors: Jianxin Li, Xingcheng Fu, Hao Peng, Senzhang Wang, Shijie Zhu, Qingyun
Sun, Philip S. Yu, Lifang He
- Abstract要約: 本稿では,AGE という逆グラフ埋め込みのための頑健なフレームワークを提案する。
AGEは、暗黙の分布から強化された負のサンプルとして偽の隣接ノードを生成する。
本フレームワークでは,3種類のグラフデータを扱う3つのモデルを提案する。
- 参考スコア（独自算出の注目度）: 73.37228022428663
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Graph embedding is essential for graph mining tasks. With the prevalence of
graph data in real-world applications, many methods have been proposed in
recent years to learn high-quality graph embedding vectors various types of
graphs. However, most existing methods usually randomly select the negative
samples from the original graph to enhance the training data without
considering the noise. In addition, most of these methods only focus on the
explicit graph structures and cannot fully capture complex semantics of edges
such as various relationships or asymmetry. In order to address these issues,
we propose a robust and generalized framework for adversarial graph embedding
based on generative adversarial networks. Inspired by generative adversarial
network, we propose a robust and generalized framework for adversarial graph
embedding, named AGE. AGE generates the fake neighbor nodes as the enhanced
negative samples from the implicit distribution, and enables the discriminator
and generator to jointly learn each node's robust and generalized
representation. Based on this framework, we propose three models to handle
three types of graph data and derive the corresponding optimization algorithms,
i.e., UG-AGE and DG-AGE for undirected and directed homogeneous graphs,
respectively, and HIN-AGE for heterogeneous information networks. Extensive
experiments show that our methods consistently and significantly outperform
existing state-of-the-art methods across multiple graph mining tasks, including
link prediction, node classification, and graph reconstruction.
- Abstract（参考訳）: グラフ埋め込みはグラフマイニングに不可欠である。
近年,実世界におけるグラフデータの普及に伴い,高品質なグラフ埋め込みベクトルを学習するための手法が数多く提案されている。
しかし、既存の手法のほとんどは、ノイズを考慮せずにトレーニングデータを強化するために、元のグラフから負のサンプルをランダムに選択する。
加えて、これらの手法のほとんどは明示的なグラフ構造のみに焦点を当てており、様々な関係や非対称性のような辺の複雑な意味論を完全に捉えることができない。
これらの問題に対処するために,生成的逆数ネットワークに基づく逆数グラフ埋め込みのための堅牢で一般化されたフレームワークを提案する。
生成逆数ネットワークに着想を得て, AGE という逆数グラフ埋め込みのための堅牢で一般化されたフレームワークを提案する。
AGEは、暗黙の分布から強化された負のサンプルとして偽の隣接ノードを生成し、識別器とジェネレータがそれぞれのノードの堅牢で一般化された表現を共同で学習できるようにする。
本フレームワークでは,3種類のグラフデータを扱う3つのモデルを提案し,これに対応する最適化アルゴリズム,すなわち,無方向性および有向な同種グラフに対するUG-AGEとDG-AGEと,異種情報ネットワークに対するHIN-AGEを導出する。
広範な実験により,提案手法は,リンク予測やノード分類,グラフ再構成など,複数のグラフマイニングタスクにおいて,既存の最先端手法を一貫して著しく上回ることがわかった。
関連論文リスト
- Hypergraph-enhanced Dual Semi-supervised Graph Classification [14.339207883093204]
半教師付きグラフ分類のためのハイパーグラフ拡張DuALフレームワークHEALを提案する。
ノード間の高次関係をよりよく探求するために,複雑なノード依存を適応的に学習するハイパーグラフ構造を設計する。
学習したハイパーグラフに基づいて,ハイパーエッジ間の相互作用を捉える線グラフを導入する。
論文 参考訳（メタデータ） (2024-05-08T02:44:13Z) - Graph Transformer GANs with Graph Masked Modeling for Architectural
Layout Generation [153.92387500677023]
本稿では,グラフノード関係を効果的に学習するために,GTGAN(Graph Transformer Generative Adversarial Network)を提案する。
提案したグラフ変換器エンコーダは、局所的およびグローバルな相互作用をモデル化するために、Transformer内のグラフ畳み込みと自己アテンションを組み合わせる。
また,グラフ表現学習のための自己指導型事前学習手法を提案する。
論文 参考訳（メタデータ） (2024-01-15T14:36:38Z) - Isomorphic-Consistent Variational Graph Auto-Encoders for Multi-Level
Graph Representation Learning [9.039193854524763]
本稿では,タスク非依存グラフ表現学習のためのアイソモルフィック-一貫性VGAE(IsoC-VGAE)を提案する。
まず、同型整合性を維持する理論的保証を提供するための復号法を考案する。
次に,逆グラフニューラルネットワーク(Inv-GNN)デコーダを直感的な実現法として提案する。
論文 参考訳（メタデータ） (2023-12-09T10:16:53Z) - 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) - Hub-aware Random Walk Graph Embedding Methods for Classification [44.99833362998488]
ノード分類問題に特化して設計されたランダムウォークに基づく2つの新しいグラフ埋め込みアルゴリズムを提案する。
提案手法は,実世界のネットワークの埋め込みを訓練した3つの分類アルゴリズムの分類性能を解析して実験的に評価する。
論文 参考訳（メタデータ） (2022-09-15T20:41:18Z) - Optimal Propagation for Graph Neural Networks [51.08426265813481]
最適グラフ構造を学習するための二段階最適化手法を提案する。
また、時間的複雑さをさらに軽減するために、低ランク近似モデルについても検討する。
論文 参考訳（メタデータ） (2022-05-06T03:37:00Z) - Edge but not Least: Cross-View Graph Pooling [76.71497833616024]
本稿では,重要なグラフ構造情報を活用するために,クロスビューグラフプーリング(Co-Pooling)手法を提案する。
クロスビュー相互作用、エッジビュープーリング、ノードビュープーリングにより、相互にシームレスに強化され、より情報的なグラフレベルの表現が学習される。
論文 参考訳（メタデータ） (2021-09-24T08:01:23Z) - Accurate Learning of Graph Representations with Graph Multiset Pooling [45.72542969364438]
本稿では,その構造的依存関係に応じてノード間の相互作用をキャプチャするグラフマルチセットトランス (GMT) を提案する。
実験の結果,GMTはグラフ分類ベンチマークにおいて,最先端のグラフプーリング法を著しく上回っていることがわかった。
論文 参考訳（メタデータ） (2021-02-23T07:45:58Z) - Multilevel Graph Matching Networks for Deep Graph Similarity Learning [79.3213351477689]
グラフ構造オブジェクト間のグラフ類似性を計算するためのマルチレベルグラフマッチングネットワーク(MGMN)フレームワークを提案する。
標準ベンチマークデータセットの欠如を補うため、グラフグラフ分類とグラフグラフ回帰タスクの両方のためのデータセットセットを作成し、収集した。
総合的な実験により、MGMNはグラフグラフ分類とグラフグラフ回帰タスクの両方において、最先端のベースラインモデルより一貫して優れていることが示された。
論文 参考訳（メタデータ） (2020-07-08T19:48:19Z)
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。