論文の概要: A Deep Latent Space Model for Graph Representation Learning
- arxiv url: http://arxiv.org/abs/2106.11721v1
- Date: Tue, 22 Jun 2021 12:41:19 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-23 15:12:11.391360
- Title: A Deep Latent Space Model for Graph Representation Learning
- Title（参考訳）: グラフ表現学習のための深い潜在空間モデル
- Authors: Hanxuan Yang, Qingchao Kong, Wenji Mao
- Abstract要約: 本稿では,従来の潜時変動に基づく生成モデルをディープラーニングフレームワークに組み込むために,有向グラフのための深潜時空間モデル(DLSM)を提案する。
提案モデルは,階層的変動型オートエンコーダアーキテクチャによって階層的に接続されるグラフ畳み込みネットワーク(GCN)エンコーダとデコーダから構成される。
実世界のデータセットにおける実験により,提案モデルがリンク予測とコミュニティ検出の両タスクにおける最先端のパフォーマンスを達成することを示す。
- 参考スコア（独自算出の注目度）: 10.914558012458425
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Graph representation learning is a fundamental problem for modeling
relational data and benefits a number of downstream applications. Traditional
Bayesian-based graph models and recent deep learning based GNN either suffer
from impracticability or lack interpretability, thus combined models for
undirected graphs have been proposed to overcome the weaknesses. As a large
portion of real-world graphs are directed graphs (of which undirected graphs
are special cases), in this paper, we propose a Deep Latent Space Model (DLSM)
for directed graphs to incorporate the traditional latent variable based
generative model into deep learning frameworks. Our proposed model consists of
a graph convolutional network (GCN) encoder and a stochastic decoder, which are
layer-wise connected by a hierarchical variational auto-encoder architecture.
By specifically modeling the degree heterogeneity using node random factors,
our model possesses better interpretability in both community structure and
degree heterogeneity. For fast inference, the stochastic gradient variational
Bayes (SGVB) is adopted using a non-iterative recognition model, which is much
more scalable than traditional MCMC-based methods. The experiments on
real-world datasets show that the proposed model achieves the state-of-the-art
performances on both link prediction and community detection tasks while
learning interpretable node embeddings. The source code is available at
https://github.com/upperr/DLSM.
- Abstract（参考訳）: グラフ表現学習は関係データモデリングの基本的な問題であり、多くの下流アプリケーションに恩恵をもたらす。
従来のベイズベースのグラフモデルと近年のディープラーニングベースのGNNは、実行不可能または解釈不可能に悩まされているため、非指向グラフのモデルの組み合わせは弱点を克服するために提案されている。
本稿では,実世界のグラフの大部分を有向グラフ(非有向グラフが特殊な場合である)として,従来の潜在変数ベース生成モデルをディープラーニングフレームワークに組み込むために,有向グラフのための深潜時空間モデル(DLSM)を提案する。
提案モデルは,階層的変動型オートエンコーダアーキテクチャによって階層的に接続されるグラフ畳み込みネットワーク(GCN)と確率デコーダからなる。
ノードランダム因子を用いた次数不均一性を特にモデル化することにより、我々のモデルはコミュニティ構造と次数不均一性の両方においてより良い解釈性を有する。
高速推論のために、確率的勾配変分ベイズ(sgvb)は従来のmcmc法よりもずっとスケーラブルな非イテレーティブ認識モデルを用いて採用されている。
実世界のデータセットを用いた実験により,提案モデルは,解釈可能なノード埋め込みを学習しながら,リンク予測とコミュニティ検出タスクの両方における最先端のパフォーマンスを実現する。
ソースコードはhttps://github.com/upperr/DLSMで入手できる。
関連論文リスト
- Graph as a feature: improving node classification with non-neural graph-aware logistic regression [2.952177779219163]
Graph-aware Logistic Regression (GLR) はノード分類タスク用に設計された非神経モデルである。
GNNにアクセスできる情報のごく一部しか使わない従来のグラフアルゴリズムとは異なり、提案モデルではノードの特徴とエンティティ間の関係を同時に活用する。
論文 参考訳（メタデータ） (2024-11-19T08:32:14Z) - Deep Manifold Graph Auto-Encoder for Attributed Graph Embedding [51.75091298017941]
本稿では,属性付きグラフデータに対する新しいDeep Manifold (Variational) Graph Auto-Encoder (DMVGAE/DMGAE)を提案する。
提案手法は,最先端のベースラインアルゴリズムを,一般的なデータセット間でのダウンストリームタスクの差を大きく越える。
論文 参考訳（メタデータ） (2024-01-12T17:57:07Z) - Label Deconvolution for Node Representation Learning on Large-scale
Attributed Graphs against Learning Bias [75.44877675117749]
本稿では,GNNの逆写像に対する新しい,スケーラブルな近似による学習バイアスを軽減するために,ラベルの効率的な正規化手法,すなわちラベルのデコンボリューション(LD)を提案する。
実験では、LDはOpen Graphデータセットのベンチマークで最先端のメソッドを大幅に上回っている。
論文 参考訳（メタデータ） (2023-09-26T13:09:43Z) - Addressing Heterophily in Node Classification with Graph Echo State
Networks [11.52174067809364]
ノード分類のためのグラフエコー状態ネットワーク(GESN)を用いた異種グラフの課題に対処する。
GESNはグラフのための貯水池計算モデルであり、ノードの埋め込みは訓練されていないメッセージパッシング関数によって計算される。
実験の結果, 貯水池モデルでは, ほぼ完全に訓練された深層モデルに対して, より優れた精度あるいは同等の精度が得られることがわかった。
論文 参考訳（メタデータ） (2023-05-14T19:42:31Z) - Latent Graph Inference using Product Manifolds [0.0]
遅延グラフ学習のための離散微分可能グラフモジュール(dDGM)を一般化する。
我々の新しいアプローチは、幅広いデータセットでテストされ、元のdDGMモデルよりも優れています。
論文 参考訳（メタデータ） (2022-11-26T22:13:06Z) - Deep Manifold Learning with Graph Mining [80.84145791017968]
グラフマイニングのための非段階的決定層を持つ新しいグラフ深層モデルを提案する。
提案モデルでは,現行モデルと比較して最先端性能を実現している。
論文 参考訳（メタデータ） (2022-07-18T04:34:08Z) - 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) - GRAND: Graph Neural Diffusion [15.00135729657076]
本稿では,連続拡散過程としてグラフの深層学習にアプローチするグラフニューラル拡散(GRAND)を提案する。
我々のモデルでは、層構造と位相は時間的および空間的作用素の離散化選択に対応する。
我々のモデルの成功の鍵は、データの摂動に対する安定性であり、これは暗黙的および明示的な離散化スキームの両方に対処する。
論文 参考訳（メタデータ） (2021-06-21T09:10:57Z) - Hyperbolic Variational Graph Neural Network for Modeling Dynamic Graphs [77.33781731432163]
我々は,ノード表現の推論を目的とした双曲空間における動的グラフ表現を初めて学習する。
本稿では,HVGNNと呼ばれる新しいハイパーボリック変動グラフネットワークを提案する。
特に,動力学をモデル化するために,理論的に接地した時間符号化手法に基づく時間gnn(tgnn)を導入する。
論文 参考訳（メタデータ） (2021-04-06T01:44:15Z) - Revisiting Graph based Collaborative Filtering: A Linear Residual Graph
Convolutional Network Approach [55.44107800525776]
グラフ畳み込みネットワーク(GCN)は、最先端のグラフベースの表現学習モデルである。
本稿では、GCNベースの協調フィルタリング(CF)ベースのレコメンダシステム(RS)について再検討する。
単純なグラフ畳み込みネットワークの理論と整合して,非線形性を取り除くことで推奨性能が向上することを示す。
本稿では,ユーザ・イテム相互作用モデリングを用いたCF用に特別に設計された残差ネットワーク構造を提案する。
論文 参考訳（メタデータ） (2020-01-28T04:41:25Z) - GraphLIME: Local Interpretable Model Explanations for Graph Neural
Networks [45.824642013383944]
グラフニューラルネットワーク(GNN)は,グラフ構造化データを効果的に表現することに成功した。
本稿では,Hilbert-Schmidt Independence Criterion (HSIC) Lasso を用いたグラフの局所的解釈可能なモデル記述法 GraphLIME を提案する。
論文 参考訳（メタデータ） (2020-01-17T09:50:28Z)
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。