論文の概要: Counterfactual Graph Learning for Link Prediction

• arxiv url: http://arxiv.org/abs/2106.02172v1
• Date: Thu, 3 Jun 2021 23:27:00 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-08 10:58:44.848215
• Title: Counterfactual Graph Learning for Link Prediction
• Title（参考訳）: リンク予測のための偽グラフ学習
• Authors: Tong Zhao, Gang Liu, Daheng Wang, Wenhao Yu, Meng Jiang
• Abstract要約: そこで本研究では,グラフ学習を現実的推論によって促進する新しいリンク予測手法を提案する。 複数のベンチマークデータセットの実験により,提案手法がリンク予測における最先端性能を実現することを示す。
• 参考スコア（独自算出の注目度）: 34.04568972485512
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Learning to predict missing links is important for many graph-based applications. Existing methods were designed to learn the observed association between two sets of variables: (1) the observed graph structure and (2) the existence of link between a pair of nodes. However, the causal relationship between these variables was ignored and we visit the possibility of learning it by simply asking a counterfactual question: "would the link exist or not if the observed graph structure became different?" To answer this question by causal inference, we consider the information of the node pair as context, global graph structural properties as treatment, and link existence as outcome. In this work, we propose a novel link prediction method that enhances graph learning by the counterfactual inference. It creates counterfactual links from the observed ones, and our method learns representations from both of them. Experiments on a number of benchmark datasets show that our proposed method achieves the state-of-the-art performance on link prediction.
• Abstract（参考訳）: 多くのグラフベースのアプリケーションにとって、リンク不足を予測することは重要だ。 既存の手法では,(1)観測されたグラフ構造と(2)一対のノード間のリンクの存在という2つの変数の観測関係を学習する。 しかし、これらの変数間の因果関係は無視され、「観測されたグラフ構造が異なる場合、リンクが存在するかどうか」という逆の質問をするだけで学習する可能性を見いだす。 因果推論によってこの質問に答えるために,ノード対の情報を文脈として,グローバルグラフ構造特性を処理として,リンク存在を結果として考える。 そこで本研究では,グラフ学習を非現実的推論により促進する新しいリンク予測手法を提案する。 本手法は,観測対象から反実的リンクを生成し,その双方から表現を学習する。 複数のベンチマークデータセットの実験により,提案手法がリンク予測における最先端性能を実現することを示す。

関連論文リスト

• Link-aware link prediction over temporal graph by pattern recognition [0.0]
  時間グラフはリンクのストリームと見なすことができ、それぞれが特定の時間に2つのノード間の相互作用を表す。 時間グラフでは、リンク予測は一般的なタスクであり、クエリリンクが真かどうかに答えることを目的としている。 本稿では,リンク認識モデルを提案する。 履歴リンクとクエリリンクは,以下のモデル層にまとめて入力される。 6つのデータセットの実験により、我々のモデルは最先端のベースラインと比較して高い性能を達成できた。
  論文  参考訳（メタデータ） (2024-02-11T13:26:06Z)
• You Only Transfer What You Share: Intersection-Induced Graph Transfer Learning for Link Prediction [79.15394378571132]
  従来見過ごされていた現象を調査し、多くの場合、元のグラフに対して密に連結された補グラフを見つけることができる。 より密度の高いグラフは、選択的で有意義な知識を伝達するための自然なブリッジを提供する元のグラフとノードを共有することができる。 この設定をグラフインターセクション誘導トランスファーラーニング(GITL)とみなし,eコマースや学術共同オーサシップ予測の実践的応用に動機づけられた。
  論文  参考訳（メタデータ） (2023-02-27T22:56:06Z)
• Link Prediction on Heterophilic Graphs via Disentangled Representation Learning [28.770767478688008]
  異種グラフ上のリンク予測のための非絡み合い表現学習の新しい問題について検討する。 DisenLinkは、リンク生成をモデル化し、ファクトリ対応のメッセージパスを実行し、リンク予測を容易にすることで、アンタングル表現を学習することができる。
  論文  参考訳（メタデータ） (2022-08-03T02:48:26Z)
• Graph Self-supervised Learning with Accurate Discrepancy Learning [64.69095775258164]
  離散性に基づく自己監督型LeArning(D-SLA)と呼ばれる原図と摂動グラフの正確な相違を学習することを目的としたフレームワークを提案する。 本稿では,分子特性予測,タンパク質機能予測,リンク予測タスクなど,グラフ関連下流タスクにおける本手法の有効性を検証する。
  論文  参考訳（メタデータ） (2022-02-07T08:04:59Z)
• Joint Graph Learning and Matching for Semantic Feature Correspondence [69.71998282148762]
  本稿では,グラフマッチングを向上するための信頼度の高いグラフ構造を探索するために,GLAMという共用電子グラフ学習とマッチングネットワークを提案する。 提案手法は,3つの人気ビジュアルマッチングベンチマーク (Pascal VOC, Willow Object, SPair-71k) で評価される。 すべてのベンチマークにおいて、従来の最先端のグラフマッチング手法よりも大きなマージンを達成している。
  論文  参考訳（メタデータ） (2021-09-01T08:24:02Z)
• Line Graph Neural Networks for Link Prediction [71.00689542259052]
  実世界の多くのアプリケーションにおいて古典的なグラフ解析問題であるグラフリンク予測タスクについて検討する。 このフォーマリズムでは、リンク予測問題をグラフ分類タスクに変換する。 本稿では,線グラフをグラフ理論に用いて,根本的に異なる新しい経路を求めることを提案する。 特に、線グラフの各ノードは、元のグラフのユニークなエッジに対応するため、元のグラフのリンク予測問題は、グラフ分類タスクではなく、対応する線グラフのノード分類問題として等価に解決できる。
  論文  参考訳（メタデータ） (2020-10-20T05:54:31Z)
• 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)
• Relational Message Passing for Knowledge Graph Completion [78.47976646383222]
  本稿では,知識グラフ補完のためのリレーショナルメッセージパッシング手法を提案する。 エッジ間でリレーショナルメッセージを反復的に送信し、近隣情報を集約する。 その結果,本手法は最先端の知識完成手法よりも大きなマージンで優れていることがわかった。
  論文  参考訳（メタデータ） (2020-02-17T03:33:41Z)

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。