論文の概要: TabGNN: Multiplex Graph Neural Network for Tabular Data Prediction
- arxiv url: http://arxiv.org/abs/2108.09127v1
- Date: Fri, 20 Aug 2021 11:51:32 GMT
- ステータス: 処理完了
- システム内更新日: 2021-08-23 18:37:38.536505
- Title: TabGNN: Multiplex Graph Neural Network for Tabular Data Prediction
- Title（参考訳）: tabgnn: 表データ予測のための多重グラフニューラルネットワーク
- Authors: Xiawei Guo, Yuhan Quan, Huan Zhao, Quanming Yao, Yong Li, Weiwei Tu
- Abstract要約: 最近普及しているグラフニューラルネットワーク(GNN)に基づく新しいフレームワークTabGNNを提案する。
具体的には,まず,多面的サンプル関係をモデル化するための多重グラフを構築し,次に,各サンプルに対する拡張表現を学習するための多重グラフニューラルネットワークを設計する。
分類と回帰を含む11のTDPデータセットに対する実験は、TabGNNが一貫して性能を向上できることを示している。
- 参考スコア（独自算出の注目度）: 43.35301059378836
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: Tabular data prediction (TDP) is one of the most popular industrial
applications, and various methods have been designed to improve the prediction
performance. However, existing works mainly focus on feature interactions and
ignore sample relations, e.g., users with the same education level might have a
similar ability to repay the debt. In this work, by explicitly and
systematically modeling sample relations, we propose a novel framework TabGNN
based on recently popular graph neural networks (GNN). Specifically, we firstly
construct a multiplex graph to model the multifaceted sample relations, and
then design a multiplex graph neural network to learn enhanced representation
for each sample. To integrate TabGNN with the tabular solution in our company,
we concatenate the learned embeddings and the original ones, which are then fed
to prediction models inside the solution. Experiments on eleven TDP datasets
from various domains, including classification and regression ones, show that
TabGNN can consistently improve the performance compared to the tabular
solution AutoFE in 4Paradigm.
- Abstract（参考訳）: タブラルデータ予測(TDP)は最も一般的な産業応用の1つであり、予測性能を向上させるために様々な手法が設計されている。
しかし、既存の作品は機能的な相互作用に重点を置いており、例えば同じ教育水準のユーザーが負債を返済するのと同じような能力を持つなど、サンプル関係を無視している。
本稿では,サンプル関係を明示的に体系的にモデル化することにより,最近普及したグラフニューラルネットワーク(gnn)に基づく新しいフレームワークtabgnnを提案する。
具体的には,まず多面的サンプル関係をモデル化するために多重グラフを構築し,次に,各サンプルに対する拡張表現を学習するための多重グラフニューラルネットワークを設計する。
当社のTabGNNと表型ソリューションを統合するため、学習した埋め込みと元の埋め込みを結合し、ソリューション内の予測モデルに供給する。
分類と回帰を含む11のTDPデータセットの実験は、TabGNNが4Paradigmの表計算ソリューションであるAutoFEと比較して、一貫してパフォーマンスを改善することができることを示している。
関連論文リスト
- Novel Representation Learning Technique using Graphs for Performance
Analytics [0.0]
本稿では,グラフニューラルネットワーク(GNN)技術の進歩を活用するために,パフォーマンスデータをグラフに変換する新しいアイデアを提案する。
ソーシャルネットワークのような他の機械学習アプリケーションドメインとは対照的に、グラフは提供されない。
我々は,GNNから生成された埋め込みの有効性を,単純なフィードフォワードニューラルネットワークによる回帰処理の性能評価に基づいて評価した。
論文 参考訳（メタデータ） (2024-01-19T16:34:37Z) - Challenging the Myth of Graph Collaborative Filtering: a Reasoned and Reproducibility-driven Analysis [50.972595036856035]
本稿では,6つの人気グラフと最近のグラフ推薦モデルの結果を再現するコードを提案する。
これらのグラフモデルと従来の協調フィルタリングモデルを比較する。
ユーザの近所からの情報フローを調べることにより,データセット構造における内在的特徴にどのようなモデルが影響するかを同定することを目的とする。
論文 参考訳（メタデータ） (2023-08-01T09:31:44Z) - TabGSL: Graph Structure Learning for Tabular Data Prediction [10.66048003460524]
本稿では,グラフ構造学習(Tabular Graph Structure Learning, TabGSL)という新しい手法を提案する。
30のベンチマークデータセットで実施された実験では、TabGSLがツリーベースモデルと最近のディープラーニングベースモデルの両方を著しく上回っていることが示されている。
論文 参考訳（メタデータ） (2023-05-25T08:33:48Z) - GCondNet: A Novel Method for Improving Neural Networks on Small High-Dimensional Tabular Data [14.124731264553889]
我々はGCondNetを提案し、データに存在する暗黙構造を活用してニューラルネットワークを強化する。
GCondNetはデータの高次元性を利用して、基礎となる予測ネットワークの性能を向上させる。
GCondNetが実世界の12のデータセットに対して有効であることを示す。
論文 参考訳（メタデータ） (2022-11-11T16:13:34Z) - A Robust Stacking Framework for Training Deep Graph Models with
Multifaceted Node Features [61.92791503017341]
数値ノード特徴とグラフ構造を入力とするグラフニューラルネットワーク(GNN)は,グラフデータを用いた各種教師付き学習タスクにおいて,優れた性能を示した。
IID(non-graph)データをGNNに簡単に組み込むことはできない。
本稿では、グラフ認識の伝播をIDデータに意図した任意のモデルで融合するロバストな積み重ねフレームワークを提案する。
論文 参考訳（メタデータ） (2022-06-16T22:46:33Z) - Neural Graph Matching for Pre-training Graph Neural Networks [72.32801428070749]
グラフニューラルネットワーク(GNN)は、構造データのモデリングにおいて強力な能力を示している。
GMPTと呼ばれる新しいグラフマッチングベースのGNN事前学習フレームワークを提案する。
提案手法は,完全自己指導型プレトレーニングと粗粒型プレトレーニングに適用できる。
論文 参考訳（メタデータ） (2022-03-03T09:53:53Z) - Bag Graph: Multiple Instance Learning using Bayesian Graph Neural
Networks [22.07812381907525]
マルチインスタンス学習(MIL)は、ラベルをインスタンスのセットやバッグに割り当てることを目的とした、弱い教師付き学習問題である。
最近の研究は、MIL設定におけるニューラルネットワークモデルの有望な結果を示している。
グラフを用いてバッグ間の相互作用をモデル化し、エンドツーエンド学習を容易にするためにグラフニューラルネットワーク(GNN)を用いる。
論文 参考訳（メタデータ） (2022-02-22T19:16:44Z) - CopulaGNN: Towards Integrating Representational and Correlational Roles
of Graphs in Graph Neural Networks [23.115288017590093]
グラフニューラルネットワーク(GNN)モデルが両タイプの情報を効果的に活用する方法について検討する。
提案したCopula Graph Neural Network (CopulaGNN)は、幅広いGNNモデルをベースモデルとして扱うことができる。
論文 参考訳（メタデータ） (2020-10-05T15:20:04Z) - A Unified View on Graph Neural Networks as Graph Signal Denoising [49.980783124401555]
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の学習表現において顕著に普及している。
本研究では,代表的GNNモデル群における集約過程を,グラフ記述問題の解法とみなすことができることを数学的に確立する。
UGNNから派生した新しいGNNモデルADA-UGNNをインスタンス化し、ノード間の適応的滑らかさでグラフを処理する。
論文 参考訳（メタデータ） (2020-10-05T04:57:18Z) - 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)
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。