論文の概要: Motif Prediction with Graph Neural Networks

• arxiv url: http://arxiv.org/abs/2106.00761v2
• Date: Thu, 3 Jun 2021 15:59:58 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-06 08:54:10.448102
• Title: Motif Prediction with Graph Neural Networks
• Title（参考訳）: グラフニューラルネットワークによるモチーフ予測
• Authors: Maciej Besta, Raphael Grob, Cesare Miglioli, Nicola Bernold, Grzegorz Kwasniewski, Gabriel Gjini, Raghavendra Kanakagiri, Saleh Ashkboos, Lukas Gianinazzi, Nikoli Dryden, Torsten Hoefler
• Abstract要約: モチーフ予測のためのグラフニューラルネットワーク(GNN)アーキテクチャを開発した。 私たちのアーキテクチャは、モチーフの豊富な構造特性を捉える機能とサンプリングスキームを提供します。 私たちは、平均で10%以上、カーブの下の領域で最大32%という、最高の競争相手を一貫して上回ります。
• 参考スコア（独自算出の注目度）: 6.028591580545113
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Link prediction is one of the central problems in graph mining. However, recent studies highlight the importance of higher-order network analysis, where complex structures called motifs are the first-class citizens. We first show that existing link prediction schemes fail to effectively predict motifs. To alleviate this, we establish a general motif prediction problem and we propose several heuristics that assess the chances for a specified motif to appear. To make the scores realistic, our heuristics consider - among others - correlations between links, i.e., the potential impact of some arriving links on the appearance of other links in a given motif. Finally, for highest accuracy, we develop a graph neural network (GNN) architecture for motif prediction. Our architecture offers vertex features and sampling schemes that capture the rich structural properties of motifs. While our heuristics are fast and do not need any training, GNNs ensure highest accuracy of predicting motifs, both for dense (e.g., k-cliques) and for sparse ones (e.g., k-stars). We consistently outperform the best available competitor by more than 10% on average and up to 32% in area under the curve. Importantly, the advantages of our approach over schemes based on uncorrelated link prediction increase with the increasing motif size and complexity. We also successfully apply our architecture for predicting more arbitrary clusters and communities, illustrating its potential for graph mining beyond motif analysis.
• Abstract（参考訳）: リンク予測はグラフマイニングの中心的な問題のひとつだ。 しかし、近年の研究は、モチーフと呼ばれる複雑な構造が第一級市民である高階ネットワーク分析の重要性を強調している。 まず,既存のリンク予測手法ではモチーフを効果的に予測できないことを示す。 そこで本研究では, 一般的なモチーフ予測問題を確立し, 特定のモチーフが現れる可能性を評価するヒューリスティックスを提案する。 スコアを現実的にするために、我々のヒューリスティックスは、リンク間の他の関係、すなわち、あるモチーフ内の他のリンクの出現に対する到着リンクの潜在的影響を考察する。 最後に、高い精度で、モチーフ予測のためのグラフニューラルネットワーク(GNN)アーキテクチャを開発する。 我々のアーキテクチャは、モチーフの豊富な構造特性を捉えた頂点特徴とサンプリングスキームを提供する。 我々のヒューリスティックスは高速であり、いかなる訓練も必要としないが、GNNは密度(k-cliquesなど)とスパース(k-starsなど)の両方でモチーフを予測するための高い精度を保証する。 私たちは常に、最高の競争相手を平均で10%以上、曲線の下の領域で最大32%上回っています。 非相関リンク予測に基づくスキームに対するアプローチのアドバンテージは,モチーフサイズと複雑性の増加とともに増大する。 また、より任意のクラスタやコミュニティを予測するためのアーキテクチャの適用も成功し、モチーフ分析を超えたグラフマイニングの可能性を示しました。

関連論文リスト

• Financial Default Prediction via Motif-preserving Graph Neural Network with Curriculum Learning [14.646773417133064]
  本稿では,カリキュラム学習(MotifGNN)を用いたモチーフ保存型グラフニューラルネットワークを提案する。 元のグラフから得られた情報と良好な接続性を利用して、高階構造の学習を強化する。
  論文  参考訳（メタデータ） (2024-03-11T07:44:56Z)
• Learning Scalable Structural Representations for Link Prediction with Bloom Signatures [39.63963077346406]
  グラフニューラルネットワーク(GNN)は、リンク予測タスクでサブ最適に実行されることが知られている。 本稿では,Bloomシグネチャを用いたGNNのメッセージパッシングフレームワークを拡張し,構造的リンク表現の学習を提案する。 提案モデルでは,既存のエッジワイドGNNモデルと同等あるいは優れた性能を実現している。
  論文  参考訳（メタデータ） (2023-12-28T02:21:40Z)
• Link Prediction without Graph Neural Networks [7.436429318051601]
  リンク予測は多くのグラフアプリケーションにおいて基本的なタスクである。 グラフニューラルネットワーク(GNN)がリンク予測の主要なフレームワークとなっている。 グラフ学習による属性情報によって強化されたグラフにトポロジ中心のフレームワークを適用する新しいフレームワークであるGelatoを提案する。
  論文  参考訳（メタデータ） (2023-05-23T03:59:21Z)
• Reinforced Causal Explainer for Graph Neural Networks [112.57265240212001]
  グラフニューラルネットワーク(GNN)の探索には説明可能性が不可欠である 我々は強化学習エージェントReinforced Causal Explainer (RC-Explainer)を提案する。 RC-Explainerは忠実で簡潔な説明を生成し、グラフを見えなくするより優れたパワーを持つ。
  論文  参考訳（メタデータ） (2022-04-23T09:13:25Z)
• Motif Graph Neural Network [32.659902358658755]
  グラフニューラルネットワーク(GNN)は、グラフ埋め込みアプローチで最も一般的なモデルである。 近隣の集約パラダイムにおける標準GNNは、高階グラフ構造を区別する際、限定的な識別力に悩まされる。 我々は高次構造をよりよく捉えるための新しいフレームワークである Motif Graph Neural Network (MGNN) を提案する。
  論文  参考訳（メタデータ） (2021-12-30T02:57:36Z)
• Generalizing Graph Neural Networks on Out-Of-Distribution Graphs [51.33152272781324]
  トレーニンググラフとテストグラフの分散シフトを考慮せずにグラフニューラルネットワーク(GNN)を提案する。 このような環境では、GNNは、たとえ素早い相関であるとしても、予測のためのトレーニングセットに存在する微妙な統計的相関を利用する傾向がある。 本稿では,スプリアス相関の影響を排除するため,StableGNNと呼ばれる一般的な因果表現フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-11-20T18:57:18Z)
• Jointly Attacking Graph Neural Network and its Explanations [50.231829335996814]
  グラフニューラルネットワーク(GNN)は多くのグラフ関連タスクのパフォーマンスを向上した。 近年の研究では、GNNは敵の攻撃に対して非常に脆弱であることが示されており、敵はグラフを変更することでGNNの予測を誤認することができる。 本稿では、GNNモデルとその説明の両方を同時に利用して攻撃できる新しい攻撃フレームワーク(GEAttack)を提案する。
  論文  参考訳（メタデータ） (2021-08-07T07:44:33Z)
• ExplaGraphs: An Explanation Graph Generation Task for Structured Commonsense Reasoning [65.15423587105472]
  スタンス予測のための説明グラフ生成の新しい生成および構造化コモンセンスリゾニングタスク(および関連するデータセット)を紹介します。 具体的には、信念と議論が与えられた場合、モデルは、議論が信念を支持しているかどうかを予測し、予測されたスタンスに対する非自明で完全で曖昧な説明として機能する常識強化グラフを生成する必要がある。 グラフの83%は、様々な構造と推論深度を持つ外部のコモンセンスノードを含んでいる。
  論文  参考訳（メタデータ） (2021-04-15T17:51:36Z)
• Distance Encoding: Design Provably More Powerful Neural Networks for Graph Representation Learning [63.97983530843762]
  グラフニューラルネットワーク(GNN)はグラフ表現学習において大きな成功を収めている。 GNNは、実際には非常に異なるグラフ部分構造に対して同一の表現を生成する。 より強力なGNNは、最近高階試験を模倣して提案され、基礎となるグラフ構造を疎結合にできないため、非効率である。 本稿では,グラフ表現学習の新たなクラスとして距離分解(DE)を提案する。
  論文  参考訳（メタデータ） (2020-08-31T23:15:40Z)
• Learning to Extrapolate Knowledge: Transductive Few-shot Out-of-Graph Link Prediction [69.1473775184952]
  数発のアウトオブグラフリンク予測という現実的な問題を導入する。 我々は,新しいメタ学習フレームワークによってこの問題に対処する。 我々は,知識グラフの補完と薬物と薬物の相互作用予測のために,複数のベンチマークデータセット上でモデルを検証した。
  論文  参考訳（メタデータ） (2020-06-11T17:42:46Z)

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。