論文の概要: Inductive Matrix Completion Using Graph Autoencoder

• arxiv url: http://arxiv.org/abs/2108.11124v1
• Date: Wed, 25 Aug 2021 08:45:18 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-26 13:09:17.459599
• Title: Inductive Matrix Completion Using Graph Autoencoder
• Title（参考訳）: グラフオートエンコーダを用いた帰納行列補完
• Authors: Wei Shen, Chuheng Zhang, Yun Tian, Liang Zeng, Xiaonan He, Wanchun Dou, Xiaolong Xu
• Abstract要約: グラフオートエンコーダ(GAE)を用いた帰納的行列補完法を提案する。 GAEは、パーソナライズされたレコメンデーションのためのユーザ固有の(またはアイテム固有の)表現と、帰納的行列補完のためのローカルグラフパターンの両方を学ぶ。 本モデルは,複数の行列補完ベンチマークにおける最先端性能を実現する。
• 参考スコア（独自算出の注目度）: 11.534665553910349
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recently, the graph neural network (GNN) has shown great power in matrix completion by formulating a rating matrix as a bipartite graph and then predicting the link between the corresponding user and item nodes. The majority of GNN-based matrix completion methods are based on Graph Autoencoder (GAE), which considers the one-hot index as input, maps a user (or item) index to a learnable embedding, applies a GNN to learn the node-specific representations based on these learnable embeddings and finally aggregates the representations of the target users and its corresponding item nodes to predict missing links. However, without node content (i.e., side information) for training, the user (or item) specific representation can not be learned in the inductive setting, that is, a model trained on one group of users (or items) cannot adapt to new users (or items). To this end, we propose an inductive matrix completion method using GAE (IMC-GAE), which utilizes the GAE to learn both the user-specific (or item-specific) representation for personalized recommendation and local graph patterns for inductive matrix completion. Specifically, we design two informative node features and employ a layer-wise node dropout scheme in GAE to learn local graph patterns which can be generalized to unseen data. The main contribution of our paper is the capability to efficiently learn local graph patterns in GAE, with good scalability and superior expressiveness compared to previous GNN-based matrix completion methods. Furthermore, extensive experiments demonstrate that our model achieves state-of-the-art performance on several matrix completion benchmarks. Our official code is publicly available.
• Abstract（参考訳）: 近年,グラフニューラルネットワーク (GNN) は, 評価行列を二部グラフとして定式化し, 対応するユーザノードとアイテムノード間のリンクを予測することにより, 行列補完において大きな力を示している。 GNNベースの行列補完手法の大半はグラフオートエンコーダ(GAE)に基づいており、これは1ホットインデックスを入力とみなし、ユーザ(またはアイテム)インデックスを学習可能な埋め込みにマップし、学習可能な埋め込みに基づいてノード固有の表現を学習するためにGNNを適用し、最終的にターゲットユーザとその対応するアイテムノードの表現を集約し、不足リンクを予測する。 しかし、トレーニング用のノード内容(サイド情報)がなければ、ユーザ(またはアイテム)固有の表現は、帰納的設定では学べず、すなわち、あるグループ(またはアイテム)でトレーニングされたモデルが、新しいユーザ(またはアイテム)に適応できない。 そこで本研究では,gaeを用いたインダクティブマトリクス補完法を提案する。これはgaeを利用して,ユーザ固有の(あるいはアイテム固有の)表現と,インダクティブマトリクス補完のためのローカルグラフパターンの両方を学習する。 具体的には、2つの情報ノードの特徴を設計し、GAEに階層的なノードドロップアウト方式を用いて局所グラフパターンを学習する。 本稿の主な貢献は,GAEの局所グラフパターンを効率よく学習できることであり,従来のGNNベースの行列補完法と比較して,スケーラビリティと表現性に優れていた。 さらに,複数の行列補完ベンチマークにおいて,本モデルが最先端の性能を達成することを示す実験を行った。 公式コードは公開されています。

関連論文リスト

• You do not have to train Graph Neural Networks at all on text-attributed graphs [25.044734252779975]
  我々は、同じクラスからのテキストエンコーディングがしばしば線形部分空間に集約されるという観察に乗じて、線形GNNモデルであるTrainlessGNNを紹介した。 実験の結果、私たちのトレインレスモデルは、従来の訓練済みのモデルにマッチするか、超えられることがわかった。
  論文  参考訳（メタデータ） (2024-04-17T02:52:11Z)
• SimTeG: A Frustratingly Simple Approach Improves Textual Graph Learning [131.04781590452308]
  テキストグラフ学習におけるフラストレーションに富んだアプローチであるSimTeGを提案する。 まず、下流タスクで予め訓練されたLM上で、教師付きパラメータ効率の微調整(PEFT)を行う。 次に、微調整されたLMの最後の隠れ状態を用いてノード埋め込みを生成する。
  論文  参考訳（メタデータ） (2023-08-03T07:00:04Z)
• GRAN is superior to GraphRNN: node orderings, kernel- and graph embeddings-based metrics for graph generators [0.6816499294108261]
  本研究では,グラフ不変量の分布に関するカーネルベースのメトリクスと,グラフ埋め込み空間における多様体ベースのメトリクスとカーネルベースのメトリクスについて検討する。 グラフの2つのよく知られた生成モデルであるGraphRNNとGRANを比較し、ノード順序の影響を明らかにする。
  論文  参考訳（メタデータ） (2023-07-13T12:07:39Z)
• Improving Graph Neural Networks on Multi-node Tasks with Labeling Tricks [14.41064333206723]
  GNNを適用する前に、まず、ターゲットノードセットとの関係に応じてグラフ内のノードをラベル付けするテキストラベリング手法を提案する。 本研究は,従来のノードラベル方式の優れた性能を説明し,GNNをマルチノード表現学習に活用するための理論的基盤を確立する。
  論文  参考訳（メタデータ） (2023-04-20T04:03:40Z)
• SLGCN: Structure Learning Graph Convolutional Networks for Graphs under Heterophily [5.619890178124606]
  本稿では2つの側面から問題を緩和する構造学習グラフ畳み込みネットワーク(SLGCN)を提案する。 具体的には、全ての類似ノードから特徴表現を効率的に集約するために、アンカーを用いた効率的なスペクトルクラスタリング(ESC-ANCH)を設計する。 幅広いベンチマークデータセットの実験結果は、提案されたSLGCNが、最先端のGNNよりも優れていることを示している。
  論文  参考訳（メタデータ） (2021-05-28T13:00:38Z)
• 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)
• A Unified Lottery Ticket Hypothesis for Graph Neural Networks [82.31087406264437]
  本稿では,グラフ隣接行列とモデルの重み付けを同時に行う統一GNNスペーシフィケーション(UGS)フレームワークを提案する。 グラフ宝くじ(GLT)をコアサブデータセットとスパースサブネットワークのペアとして定義することにより、人気のある宝くじチケット仮説を初めてGNNsにさらに一般化します。
  論文  参考訳（メタデータ） (2021-02-12T21:52:43Z)
• CatGCN: Graph Convolutional Networks with Categorical Node Features [99.555850712725]
  CatGCNはグラフ学習に適したノード機能である。 エンドツーエンドでCatGCNを訓練し、半教師付きノード分類でそれを実証する。
  論文  参考訳（メタデータ） (2020-09-11T09:25:17Z)
• Distance Encoding: Design Provably More Powerful Neural Networks for Graph Representation Learning [63.97983530843762]
  グラフニューラルネットワーク(GNN)はグラフ表現学習において大きな成功を収めている。 GNNは、実際には非常に異なるグラフ部分構造に対して同一の表現を生成する。 より強力なGNNは、最近高階試験を模倣して提案され、基礎となるグラフ構造を疎結合にできないため、非効率である。 本稿では,グラフ表現学習の新たなクラスとして距離分解(DE)を提案する。
  論文  参考訳（メタデータ） (2020-08-31T23:15:40Z)
• Embedding Graph Auto-Encoder for Graph Clustering [90.8576971748142]
  グラフ自動エンコーダ(GAE)モデルは、半教師付きグラフ畳み込みネットワーク(GCN)に基づく 我々は、グラフクラスタリングのための特定のGAEベースのモデルを設計し、その理論、すなわち、埋め込みグラフオートエンコーダ(EGAE)と整合する。 EGAEは1つのエンコーダと2つのデコーダで構成される。
  論文  参考訳（メタデータ） (2020-02-20T09:53:28Z)

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。