論文の概要: HMSG: Heterogeneous Graph Neural Network based on Metapath Subgraph Learning

• arxiv url: http://arxiv.org/abs/2109.02868v1
• Date: Tue, 7 Sep 2021 05:02:59 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-08 14:46:25.924154
• Title: HMSG: Heterogeneous Graph Neural Network based on Metapath Subgraph Learning
• Title（参考訳）: メタパス部分グラフ学習に基づくHMSGの不均一グラフニューラルネットワーク
• Authors: Xinjun Cai, Jiaxing Shang, Fei Hao, Dajiang Liu, Linjiang Zheng
• Abstract要約: 我々はHMSGという新しい異種グラフニューラルネットワークモデルを提案する。 異種グラフを複数の部分グラフに分解する。 各サブグラフは、特定の意味情報と構造情報を関連付ける。 タイプ固有の属性変換を通じて、ノード属性を異なるタイプのノード間で転送することもできる。
• 参考スコア（独自算出の注目度）: 2.096172374930129
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Many real-world data can be represented as heterogeneous graphs with different types of nodes and connections. Heterogeneous graph neural network model aims to embed nodes or subgraphs into low-dimensional vector space for various downstream tasks such as node classification, link prediction, etc. Although several models were proposed recently, they either only aggregate information from the same type of neighbors, or just indiscriminately treat homogeneous and heterogeneous neighbors in the same way. Based on these observations, we propose a new heterogeneous graph neural network model named HMSG to comprehensively capture structural, semantic and attribute information from both homogeneous and heterogeneous neighbors. Specifically, we first decompose the heterogeneous graph into multiple metapath-based homogeneous and heterogeneous subgraphs, and each subgraph associates specific semantic and structural information. Then message aggregation methods are applied to each subgraph independently, so that information can be learned in a more targeted and efficient manner. Through a type-specific attribute transformation, node attributes can also be transferred among different types of nodes. Finally, we fuse information from subgraphs together to get the complete representation. Extensive experiments on several datasets for node classification, node clustering and link prediction tasks show that HMSG achieves the best performance in all evaluation metrics than state-of-the-art baselines.
• Abstract（参考訳）: 多くの実世界のデータは、異なる種類のノードと接続を持つ異種グラフとして表現することができる。 ヘテロジニアスグラフニューラルネットワークモデルは、ノード分類やリンク予測などのダウンストリームタスクのために、低次元ベクトル空間にノードやサブグラフを埋め込むことを目的としている。 最近ではいくつかのモデルが提案されているが、それらは同じ種類の隣人からの情報のみを集約するか、同じ方法で同質で異質な隣人を扱うだけである。 そこで本研究では,ヘテロジニアスとヘテロジニアスの両方から構造的,意味的,属性情報を包括的に取得する,hmsgと呼ばれる新しいヘテロジニアスグラフニューラルネットワークモデルを提案する。 具体的には、まず、ヘテロジニアスグラフを複数のメタパスベースの均質およびヘテロジニアスサブグラフに分解し、各サブグラフが特定の意味的および構造的情報を関連付ける。 次に、各サブグラフに独立してメッセージ集約手法を適用し、よりターゲティングで効率的な方法で情報を学習できるようにする。 タイプ固有の属性変換を通じて、ノード属性を異なる種類のノード間で転送することもできる。 最後に、サブグラフからの情報を融合して完全な表現を得る。 ノード分類、ノードクラスタリング、リンク予測タスクのためのいくつかのデータセットに対する大規模な実験は、HMSGが最先端のベースラインよりもすべての評価指標で最高のパフォーマンスを達成することを示している。

関連論文リスト

• Histopathology Whole Slide Image Analysis with Heterogeneous Graph Representation Learning [78.49090351193269]
  本稿では,WSI分析のために,異なる種類の核間の相互関係を利用する新しいグラフベースのフレームワークを提案する。 具体的には、WSI を各ノードに "nucleus-type" 属性と各エッジに類似した意味属性を持つ異種グラフとして定式化する。 我々のフレームワークは、様々なタスクに対してかなりのマージンで最先端の手法より優れています。
  論文  参考訳（メタデータ） (2023-07-09T14:43:40Z)
• Seq-HGNN: Learning Sequential Node Representation on Heterogeneous Graph [57.2953563124339]
  本稿では,シーケンシャルノード表現,すなわちSeq-HGNNを用いた新しい異種グラフニューラルネットワークを提案する。 Heterogeneous Graph Benchmark (HGB) と Open Graph Benchmark (OGB) の4つの広く使われているデータセットについて広範な実験を行った。
  論文  参考訳（メタデータ） (2023-05-18T07:27:18Z)
• 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)
• Heterogeneous Graph Neural Network with Multi-view Representation Learning [16.31723570596291]
  異種グラフ埋め込みのための多視点表現学習(MV-HetGNN)を用いた異種グラフニューラルネットワークを提案する。 提案手法は, ノード特徴変換, ビュー固有エゴグラフ符号化, 自動多視点融合により, 包括的ノード表現を生成する複雑な構造情報と意味情報を完全に学習する。 3つの実世界の異種グラフデータセットに対する大規模な実験により、提案されたMV-HetGNNモデルは、様々な下流タスクにおいて、最先端のGNNベースラインを一貫して上回ることを示した。
  論文  参考訳（メタデータ） (2021-08-31T07:18:48Z)
• Explicit Pairwise Factorized Graph Neural Network for Semi-Supervised Node Classification [59.06717774425588]
  本稿では,グラフ全体を部分的に観測されたマルコフ確率場としてモデル化するEPFGNN(Explicit Pairwise Factorized Graph Neural Network)を提案する。 出力-出力関係をモデル化するための明示的なペアワイズ要素を含み、入力-出力関係をモデル化するためにGNNバックボーンを使用する。 本研究では,グラフ上での半教師付きノード分類の性能を効果的に向上できることを示す。
  論文  参考訳（メタデータ） (2021-07-27T19:47:53Z)
• 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)
• Metapaths guided Neighbors aggregated Network for?Heterogeneous Graph Reasoning [5.228629954007088]
  メタパス誘導隣り合わせ型非均質グラフニューラルネットワークを提案し,性能向上を図る。 提案したMHNの3つの実世界の異種グラフデータセットに対する広範な実験を行った。
  論文  参考訳（メタデータ） (2021-03-11T05:42:06Z)

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。