論文の概要: GraphFM: Graph Factorization Machines for Feature Interaction Modeling
- arxiv url: http://arxiv.org/abs/2105.11866v1
- Date: Tue, 25 May 2021 12:10:54 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-26 14:22:55.591465
- Title: GraphFM: Graph Factorization Machines for Feature Interaction Modeling
- Title(参考訳): GraphFM:特徴相互作用モデリングのためのグラフファクトリゼーションマシン
- Authors: Zekun Li, Shu Wu, Zeyu Cui, Xiaoyu Zhang
- Abstract要約: 本稿では,グラフ構造の特徴を自然に表現するグラフファクトリゼーションマシン(GraphFM)を提案する。
特に、新しいメカニズムは、有益な特徴相互作用を選択し、特徴間のエッジとして定式化するように設計されている。
提案モデルでは,階層化によるグラフ構造化特徴量に対する任意次特徴量相互作用をモデル化できる。
- 参考スコア(独自算出の注目度): 17.649753704440887
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Factorization machine (FM) is a prevalent approach to modeling pairwise
(second-order) feature interactions when dealing with high-dimensional sparse
data. However, on the one hand, FM fails to capture higher-order feature
interactions suffering from combinatorial expansion, on the other hand, taking
into account interaction between every pair of features may introduce noise and
degrade prediction accuracy. To solve the problems, we propose a novel approach
Graph Factorization Machine (GraphFM) by naturally representing features in the
graph structure. In particular, a novel mechanism is designed to select the
beneficial feature interactions and formulate them as edges between features.
Then our proposed model which integrates the interaction function of FM into
the feature aggregation strategy of Graph Neural Network (GNN), can model
arbitrary-order feature interactions on the graph-structured features by
stacking layers. Experimental results on several real-world datasets has
demonstrated the rationality and effectiveness of our proposed approach.
- Abstract(参考訳): ファクトリゼーションマシン(FM)は、高次元スパースデータを扱う際に、ペアワイズ(第2次)特徴相互作用をモデル化するための一般的な手法である。
しかし、FMは組合せ展開に苦しむ高次特徴相互作用を捉えることができず、一方、各特徴間の相互作用を考慮に入れればノイズが発生し、予測精度が低下する可能性がある。
そこで本研究では,グラフ構造の特徴を自然に表現し,新しいアプローチグラフ因子化機械(graphfm)を提案する。
特に、新しいメカニズムは、有益な特徴相互作用を選択し、特徴間のエッジとして定式化するように設計されている。
次に,グラフニューラルネットワーク(GNN)の機能集約戦略にFMの相互作用関数を統合するモデルを提案する。
いくつかの実世界のデータセットに対する実験結果から,提案手法の合理性と有効性を示した。
関連論文リスト
- Graph ODE with Factorized Prototypes for Modeling Complicated
Interacting Dynamics [37.53887977578548]
本稿では,その問題に対処する因子化プロトタイプ(GOAT)を用いたグラフODE(Graph ODE)を提案する。
GOATはコンテキスト知識から分解されたプロトタイプを連続グラフODEフレームワークに組み込んでいる。
モデル全体は、その可能性の最大化のために、エンドツーエンドの変分推論フレームワークを使用して最適化される。
論文 参考訳(メタデータ) (2023-11-11T12:04:47Z) - GIF: A General Graph Unlearning Strategy via Influence Function [63.52038638220563]
Graph Influence Function (GIF)は、削除されたデータにおける$epsilon$-massの摂動に応答してパラメータの変化を効率的に正確に推定できる、モデルに依存しない未学習の手法である。
我々は,4つの代表的GNNモデルと3つのベンチマークデータセットについて広範な実験を行い,未学習の有効性,モデルの有用性,未学習効率の観点からGIFの優位性を正当化する。
論文 参考訳(メタデータ) (2023-04-06T03:02:54Z) - 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) - FDGATII : Fast Dynamic Graph Attention with Initial Residual and
Identity Mapping [0.39373541926236766]
本稿では,注目機構が選択情報に注目する能力に触発された新しいグラフニューラルネットワークFDGATIIを提案する。
FDG ATII は設計において本質的に並列化可能であり、操作ではホイット効率がよい。
FDG ATII は GAT と GCN をベースとしたベンチマークにおいて,完全教師付きタスクの精度と性能に優れることを示す。
論文 参考訳(メタデータ) (2021-10-21T20:19:17Z) - Equivariant Neural Network for Factor Graphs [83.26543234955855]
因子同変ニューラルネットワーク(FE-NBP)と因子同変グラフニューラルネットワーク(FE-GNN)の2つの推論モデルを提案する。
FE-NBPは小さなデータセットで最先端のパフォーマンスを達成する一方、FE-GNNは大規模なデータセットで最先端のパフォーマンスを達成する。
論文 参考訳(メタデータ) (2021-09-29T06:54:04Z) - Explicit Pairwise Factorized Graph Neural Network for Semi-Supervised
Node Classification [59.06717774425588]
本稿では,グラフ全体を部分的に観測されたマルコフ確率場としてモデル化するEPFGNN(Explicit Pairwise Factorized Graph Neural Network)を提案する。
出力-出力関係をモデル化するための明示的なペアワイズ要素を含み、入力-出力関係をモデル化するためにGNNバックボーンを使用する。
本研究では,グラフ上での半教師付きノード分類の性能を効果的に向上できることを示す。
論文 参考訳(メタデータ) (2021-07-27T19:47:53Z) - Factorization Machines with Regularization for Sparse Feature
Interactions [13.593781209611112]
因子化マシン(英: Factorization Machine、FM)は、二階特徴相互作用に基づく機械学習の予測モデルである。
FMにおける特徴間相互作用選択のための新しい正規化方式を提案する。
機能間相互作用の選択のために,提案する正則化器は,既存手法が課すスパーシティパターンに制約を加えることなく,特徴間相互作用行列をスパース化する。
論文 参考訳(メタデータ) (2020-10-19T05:00:40Z) - Structural Landmarking and Interaction Modelling: on Resolution Dilemmas
in Graph Classification [50.83222170524406]
解法ジレンマの統一概念に基づくグラフ分類における本質的難易度の研究」
構造ランドマークと相互作用モデリングのためのインダクティブニューラルネットワークモデルSLIM'を提案する。
論文 参考訳(メタデータ) (2020-06-29T01:01:42Z) - Causal Inference with Deep Causal Graphs [0.0]
パラメトリック因果モデリング技術は、カウンターファクト推定の機能を提供することはめったにない。
Deep Causal Graphsは、因果分布をモデル化するニューラルネットワークに必要な機能の抽象的な仕様である。
複雑な相互作用をモデル化する上で,その表現力を示し,機械学習の説明可能性と公正性を示す。
論文 参考訳(メタデータ) (2020-06-15T13:03:33Z) - GoGNN: Graph of Graphs Neural Network for Predicting Structured Entity
Interactions [70.9481395807354]
本稿では,構造化エンティティグラフとエンティティ相互作用グラフの両方の特徴を階層的に抽出するグラフ・オブ・グラフニューラルネットワーク(GoGNN)を提案する。
GoGNNは、2つの代表的な構造化エンティティ相互作用予測タスクにおいて最先端の手法より優れている。
論文 参考訳(メタデータ) (2020-05-12T03:46:15Z)
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。