論文の概要: MHNF: Multi-hop Heterogeneous Neighborhood information Fusion graph
representation learning
- arxiv url: http://arxiv.org/abs/2106.09289v1
- Date: Thu, 17 Jun 2021 07:51:45 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-18 16:09:59.056580
- Title: MHNF: Multi-hop Heterogeneous Neighborhood information Fusion graph
representation learning
- Title（参考訳）: MHNF:マルチホップ不均一近隣情報融合グラフ表現学習
- Authors: Dongjie Zhu, Yundong Sun, Haiwen Du and Zhaoshuo Tian
- Abstract要約: MHNF(Multi-hop Heterogeneous Neborhood Information Fusion graph representation learning)を提案する。
まず,マルチホップハイブリッド隣人を効率的に抽出するハイブリッドメタパス自律抽出モデルを提案する。
次に, ホップレベルの異種情報集約モデルを提案し, 異なるホップ近傍情報を選択的に集約する。
最後に,階層型セマンティックアテンション融合モデル (HSAF) を提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Attention mechanism enables the Graph Neural Networks(GNNs) to learn the
attention weights between the target node and its one-hop neighbors, the
performance is further improved. However, the most existing GNNs are oriented
to homogeneous graphs and each layer can only aggregate the information of
one-hop neighbors. Stacking multi-layer networks will introduce a lot of noise
and easily lead to over smoothing. We propose a Multi-hop Heterogeneous
Neighborhood information Fusion graph representation learning method (MHNF).
Specifically, we first propose a hybrid metapath autonomous extraction model to
efficiently extract multi-hop hybrid neighbors. Then, we propose a hop-level
heterogeneous Information aggregation model, which selectively aggregates
different-hop neighborhood information within the same hybrid metapath.
Finally, a hierarchical semantic attention fusion model (HSAF) is proposed,
which can efficiently integrate different-hop and different-path neighborhood
information respectively. This paper can solve the problem of aggregating the
multi-hop neighborhood information and can learn hybrid metapaths for target
task, reducing the limitation of manually specifying metapaths. In addition,
HSAF can extract the internal node information of the metapaths and better
integrate the semantic information of different levels. Experimental results on
real datasets show that MHNF is superior to state-of-the-art methods in node
classification and clustering tasks (10.94% - 69.09% and 11.58% - 394.93%
relative improvement on average, respectively).
- Abstract（参考訳）: 注意機構により、グラフニューラルネットワーク(GNN)は、ターゲットノードとそのワンホップ隣人間の注意重みを学習でき、さらに性能が向上する。
しかし、既存のGNNは均質グラフに向いており、各層は1ホップ隣人の情報のみを集約できる。
多層ネットワークのスタック化にはノイズが多く、スムース化が容易になる。
本稿では,MHNF(Multi-hop Heterogeneous Neborhood Information Fusion graph representation learning)を提案する。
具体的には,マルチホップハイブリッド近傍を効率的に抽出するハイブリッドメタパス自律抽出モデルを提案する。
次に,同一のハイブリッドメタパス内で異なるホップ近傍情報を選択的に集約するホップレベルの異種情報集約モデルを提案する。
最後に,階層型セマンティックアテンション融合モデル(HSAF)を提案する。
本稿では,マルチホップ近傍情報を集約し,対象タスクのハイブリッドメタパスを学習することで,手動でメタパスを指定できる制限を低減できる。
さらに、HSAFはメタパスの内部ノード情報を抽出し、異なるレベルのセマンティック情報をよりよく統合することができる。
実際のデータセット実験の結果、MHNFはノード分類およびクラスタリングタスクにおける最先端の手法よりも優れている(それぞれ10.94% - 69.09%と11.58% - 394.93%)。
関連論文リスト
- LSPI: Heterogeneous Graph Neural Network Classification Aggregation Algorithm Based on Size Neighbor Path Identification [4.407784399315198]
本稿では3つの一般的なデータ集合におけるメタパスについて検討し、異なるメタパスによって接続される隣人の数に大きな違いがあることを見出した。
同時に、大きなボルパスに含まれる騒音情報は、モデル性能に悪影響を及ぼす。
本稿では,大小隣接経路アイデン整形に基づく不均一なグラフニューラルネットワークの分類と集約アルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-05-29T09:37:23Z) - LSGNN: Towards General Graph Neural Network in Node Classification by
Local Similarity [59.41119013018377]
本稿では,ローカル類似性(LocalSim)を用いて,プラグイン・アンド・プレイモジュールとしても機能するノードレベルの重み付き融合を学習する。
そこで本研究では,より情報性の高いマルチホップ情報を抽出するための,新規かつ効率的な初期残留差分接続(IRDC)を提案する。
提案手法,すなわちローカル類似グラフニューラルネットワーク(LSGNN)は,ホモ親和性グラフとヘテロ親和性グラフの両方において,同等あるいは優れた最先端性能を提供できる。
論文 参考訳（メタデータ） (2023-05-07T09:06:11Z) - Multi-view Graph Convolutional Networks with Differentiable Node
Selection [29.575611350389444]
差別化可能なノード選択(MGCN-DNS)を備えた多視点グラフ畳み込みネットワーク(Multi-view Graph Convolutional Network)を提案する。
MGCN-DNSは、マルチチャネルグラフ構造データを入力として受け入れ、微分可能なニューラルネットワークを通じてより堅牢なグラフ融合を学ぶことを目的としている。
提案手法の有効性は,最先端手法と厳密な比較により検証した。
論文 参考訳（メタデータ） (2022-12-09T21:48:36Z) - 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) - HeMI: Multi-view Embedding in Heterogeneous Graphs [8.87527266373087]
不均一グラフ(HG)の表現学習は、そのようなグラフの豊富な構造と意味を低次元空間に埋め込む。
本稿では,HGの構造的セマンティクス間の知識交換と発見に依存して,HG表現を学習する自己教師型手法を提案する。
提案手法は,全タスクにおいて1%,最大10%の効率で性能が向上し,競合手法の改善が図られている。
論文 参考訳（メタデータ） (2021-09-14T23:04:42Z) - Higher-Order Attribute-Enhancing Heterogeneous Graph Neural Networks [67.25782890241496]
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。
論文 参考訳（メタデータ） (2021-04-16T04:56:38Z) - Reinforced Neighborhood Selection Guided Multi-Relational Graph Neural
Networks [68.9026534589483]
RioGNNはReinforceed, recursive, flexible neighborhood selection guided multi-relational Graph Neural Network architectureである。
RioGNNは、各関係の個々の重要性の認識により、説明性を高めた差別的なノード埋め込みを学ぶことができる。
論文 参考訳（メタデータ） (2021-04-16T04:30:06Z) - Adaptive Graph Diffusion Networks with Hop-wise Attention [1.2183405753834562]
ホップワイド・アテンション(AGDNs-HA)を用いた適応グラフ拡散ネットワークを提案する。
提案手法は,半教師付きノード分類タスクによる標準データセットの大幅な改善を実現する。
論文 参考訳（メタデータ） (2020-12-30T03:43:04Z) - Graph Cross Networks with Vertex Infomax Pooling [69.38969610952927]
グラフの複数スケールから包括的特徴学習を実現するための新しいグラフクロスネットワーク(GXN)を提案する。
グラフのトレーニング可能な階層表現に基づいて、GXNは、スケール間で中間的特徴の交換を可能にし、情報フローを促進する。
論文 参考訳（メタデータ） (2020-10-05T06:34:23Z) - Policy-GNN: Aggregation Optimization for Graph Neural Networks [60.50932472042379]
グラフニューラルネットワーク(GNN)は、局所的なグラフ構造をモデル化し、隣人からの情報を集約することで階層的なパターンを捉えることを目的としている。
複雑なグラフとスパースな特徴を与えられた各ノードに対して効果的なアグリゲーション戦略を開発することは難しい課題である。
本稿では,GNNのサンプリング手順とメッセージパッシングを複合学習プロセスにモデル化するメタ政治フレームワークであるPolicy-GNNを提案する。
論文 参考訳（メタデータ） (2020-06-26T17:03:06Z)
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。