論文の概要: Edge Proposal Sets for Link Prediction

• arxiv url: http://arxiv.org/abs/2106.15810v1
• Date: Wed, 30 Jun 2021 04:59:19 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-01 15:20:19.574584
• Title: Edge Proposal Sets for Link Prediction
• Title（参考訳）: リンク予測のためのエッジ提案セット
• Authors: Abhay Singh, Qian Huang, Sijia Linda Huang, Omkar Bhalerao, Horace He, Ser-Nam Lim, Austin R. Benson
• Abstract要約: Link Predictionは、将来のエッジを予測したり、グラフに欠けているエッジを推測することを目的としており、推奨システム、実験設計、複雑なシステムに様々な応用がある。 本稿では,前処理ステップとしてエッジセットをグラフに追加するだけで,リンク予測アルゴリズムの性能が向上することを示す。
• 参考スコア（独自算出の注目度）: 39.33358136412426
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graphs are a common model for complex relational data such as social networks and protein interactions, and such data can evolve over time (e.g., new friendships) and be noisy (e.g., unmeasured interactions). Link prediction aims to predict future edges or infer missing edges in the graph, and has diverse applications in recommender systems, experimental design, and complex systems. Even though link prediction algorithms strongly depend on the set of edges in the graph, existing approaches typically do not modify the graph topology to improve performance. Here, we demonstrate how simply adding a set of edges, which we call a \emph{proposal set}, to the graph as a pre-processing step can improve the performance of several link prediction algorithms. The underlying idea is that if the edges in the proposal set generally align with the structure of the graph, link prediction algorithms are further guided towards predicting the right edges; in other words, adding a proposal set of edges is a signal-boosting pre-processing step. We show how to use existing link prediction algorithms to generate effective proposal sets and evaluate this approach on various synthetic and empirical datasets. We find that proposal sets meaningfully improve the accuracy of link prediction algorithms based on both neighborhood heuristics and graph neural networks. Code is available at \url{https://github.com/CUAI/Edge-Proposal-Sets}.
• Abstract（参考訳）: グラフは、ソーシャルネットワークやタンパク質相互作用のような複雑な関係データの一般的なモデルであり、そのようなデータは時間とともに進化し(例えば、新しい友情)、騒がしい(例えば、測定されていない相互作用)。 Link Predictionは、将来のエッジを予測したり、グラフに欠けているエッジを推測することを目的としており、推奨システム、実験設計、複雑なシステムに様々な応用がある。 リンク予測アルゴリズムはグラフのエッジセットに強く依存するが、既存のアプローチではパフォーマンスを改善するためにグラフトポロジを変更しないことが多い。 ここで、前処理ステップとしてグラフに \emph{proposal set} と呼ばれる一連の辺を単純に追加すれば、いくつかのリンク予測アルゴリズムの性能が向上することを示す。 基礎となる考え方は、提案セットのエッジが一般的にグラフの構造と一致している場合、リンク予測アルゴリズムは正しいエッジを予測するためにさらに導かれることである。 本稿では,既存のリンク予測アルゴリズムを用いて効果的な提案集合を生成する方法を示し,このアプローチを様々な合成および経験的データセット上で評価する。 提案手法は近傍のヒューリスティックスとグラフニューラルネットワークの両方に基づくリンク予測アルゴリズムの精度を有意に向上させる。 コードは \url{https://github.com/CUAI/Edge-Proposal-Sets} で公開されている。

関連論文リスト

• PULL: PU-Learning-based Accurate Link Prediction [12.8532740199204]
  エッジ不完全グラフが与えられたら、どのようにして不足するリンクを正確に見つけることができるのか? 本稿では, PULL (PU-Learning-based Link predictor) を提案する。 PULLは、エッジ不完全グラフのリンクを予測するベースラインを一貫して上回る。
  論文  参考訳（メタデータ） (2024-05-20T09:47:22Z)
• Less is More: One-shot Subgraph Reasoning on Large-scale Knowledge Graphs [49.547988001231424]
  効率的かつ適応的な予測を実現するために,ワンショットサブグラフリンク予測を提案する。 設計原理は、KG全体に直接作用する代わりに、予測手順を2つのステップに分離する。 5つの大規模ベンチマークにおいて,効率の向上と性能の向上を実現している。
  論文  参考訳（メタデータ） (2024-03-15T12:00:12Z)
• Refined Edge Usage of Graph Neural Networks for Edge Prediction [51.06557652109059]
  We propose a novel edge prediction paradigm named Edge-aware Message PassIng neuRal nEtworks (EMPIRE)。 まず,各エッジをトポロジや監督のためにのみ使用するエッジ分割手法を提案する。 監視エッジで接続されたペアと接続されていないペアの差を強調するために、さらにメッセージを重み付けして、その差を反映できる相対的なペアを強調します。
  論文  参考訳（メタデータ） (2022-12-25T23:19:56Z)
• FakeEdge: Alleviate Dataset Shift in Link Prediction [16.161812856581676]
  リンク予測タスクでは、テストセット内のリンクがまだ形成されていない間に、トレーニングセット内のリンクが常に存在し、接続パターンの相違と学習された表現のバイアスが発生する。 本研究では,学習セットとテストセット間のグラフトポロジ的ギャップを緩和し,モデルに依存しないFakeEdgeを提案する。
  論文  参考訳（メタデータ） (2022-11-29T03:36:01Z)
• Line Graph Contrastive Learning for Link Prediction [4.876567687745239]
  多視点情報を得るために,Line Graph Contrastive Learning (LGCL)法を提案する。 6つの公開データセットの実験により、LGCLはリンク予測タスクの現在のベンチマークを上回っている。
  論文  参考訳（メタデータ） (2022-10-25T06:57:00Z)
• 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)
• Explaining GNN over Evolving Graphs using Information Flow [12.33508497537769]
  グラフニューラルネットワーク(GNN)は、これらの応用の最先端でありながら、人間には不明瞭である。 本稿では,計算グラフ上の経路に対する予測の変化を一意に分解する公理的帰属法を提案する。 予測の進化を説明する経路を最適に選択するために,新しい凸最適化問題を定式化する。
  論文  参考訳（メタデータ） (2021-11-19T04:29:38Z)
• Simple Graph Convolutional Networks [72.92604941595019]
  単一層グラフ畳み込みネットワークで実装可能な単純なグラフ畳み込み演算子を提案する。 我々の畳み込み演算子は、文献における多くの提案よりも理論的に基礎を置いており、検討されたベンチマークデータセットに最先端の予測性能を示す。
  論文  参考訳（メタデータ） (2021-06-10T15:23:59Z)
• 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)
• ALPINE: Active Link Prediction using Network Embedding [20.976178936255927]
  ネットワーク埋め込みに基づくリンク予測のための ALPINE (Active Link Prediction usIng Network Embedding) を提案する。 ALPINEは拡張性があり、より少ないクエリでリンク予測精度を向上させる。
  論文  参考訳（メタデータ） (2020-02-04T11:09:03Z)

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。