論文の概要: r-GAT: Relational Graph Attention Network for Multi-Relational Graphs

• arxiv url: http://arxiv.org/abs/2109.05922v1
• Date: Mon, 13 Sep 2021 12:43:00 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-14 16:15:07.756538
• Title: r-GAT: Relational Graph Attention Network for Multi-Relational Graphs
• Title（参考訳）: r-GAT:マルチリレーショナルグラフのための関係グラフ注意ネットワーク
• Authors: Meiqi Chen, Yuan Zhang, Xiaoyu Kou, Yuntao Li, Yan Zhang
• Abstract要約: Graph Attention Network (GAT)は、単純な無方向性グラフと単一のリレーショナルグラフデータのみをモデル化することに焦点を当てている。 マルチチャネルエンティティ表現を学習するための関係グラフアテンションネットワークであるr-GATを提案する。 リンク予測とエンティティ分類タスクの実験は、我々のr-GATがマルチリレーショナルグラフを効果的にモデル化できることを示します。
• 参考スコア（独自算出の注目度）: 8.529080554172692
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graph Attention Network (GAT) focuses on modelling simple undirected and single relational graph data only. This limits its ability to deal with more general and complex multi-relational graphs that contain entities with directed links of different labels (e.g., knowledge graphs). Therefore, directly applying GAT on multi-relational graphs leads to sub-optimal solutions. To tackle this issue, we propose r-GAT, a relational graph attention network to learn multi-channel entity representations. Specifically, each channel corresponds to a latent semantic aspect of an entity. This enables us to aggregate neighborhood information for the current aspect using relation features. We further propose a query-aware attention mechanism for subsequent tasks to select useful aspects. Extensive experiments on link prediction and entity classification tasks show that our r-GAT can model multi-relational graphs effectively. Also, we show the interpretability of our approach by case study.
• Abstract（参考訳）: graph attention network (gat) は、単純な無向および単一リレーショナルグラフデータのみをモデリングすることに焦点を当てている。 これにより、異なるラベル(例えば知識グラフ)の有向リンクを持つエンティティを含むより一般的で複雑なマルチリレーショナルグラフを扱うことができる。 したがって、GATをマルチリレーショナルグラフに直接適用すると、準最適解が得られる。 本稿では,多チャンネル表現を学習するための関係グラフアテンションネットワークであるr-gatを提案する。 具体的には、各チャネルはエンティティの潜在意味的側面に対応する。 これにより、関係特徴を用いて現在の側面の周辺情報を集約することができる。 さらに,後続タスクに対して有用なアスペクトを選択するためのクエリ対応アテンション機構を提案する。 リンク予測とエンティティ分類タスクに関する大規模な実験は、我々のr-GATがマルチリレーショナルグラフを効果的にモデル化できることを示します。 また,本手法のケーススタディによる解釈可能性を示す。

関連論文リスト

• Relating-Up: Advancing Graph Neural Networks through Inter-Graph Relationships [17.978546172777342]
  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から学ぶのに優れています。 彼らの成功にもかかわらず、GNNはグラフ間の関係のコンテキストを無視して制限される。 本稿では,グラフ間の関係を利用してGNNを強化するプラグイン・アンド・プレイモジュールであるRelating-Upを紹介する。
  論文  参考訳（メタデータ） (2024-05-07T02:16:54Z)
• MGNet: Learning Correspondences via Multiple Graphs [78.0117352211091]
  学習対応は、不均一な対応分布と低い不整合率で設定された初期対応から正しい対応を見つけることを目的としている。 最近の進歩は、通常、グラフニューラルネットワーク(GNN)を使用して単一のタイプのグラフを構築したり、グローバルなグラフに局所グラフをスタックしてタスクを完了させる。 本稿では,複数の補完グラフを効果的に組み合わせるためのMGNetを提案する。
  論文  参考訳（メタデータ） (2024-01-10T07:58:44Z)
• Learnable Graph Matching: A Practical Paradigm for Data Association [74.28753343714858]
  これらの問題に対処するための一般的な学習可能なグラフマッチング法を提案する。 提案手法は,複数のMOTデータセット上での最先端性能を実現する。 画像マッチングでは,一般的な屋内データセットであるScanNetで最先端の手法より優れている。
  論文  参考訳（メタデータ） (2023-03-27T17:39:00Z)
• LUKE-Graph: A Transformer-based Approach with Gated Relational Graph Attention for Cloze-style Reading Comprehension [13.173307471333619]
  本稿では,文書内のエンティティ間の直感的な関係に基づく異種グラフ構築モデルLUKE-Graphを提案する。 次に、アテンション読み込み(RGAT)を用いて、事前学習したLUKEモデルによって符号化されたグラフの推論情報と文脈表現を融合する。 実験結果から,LUKE-Graphはコモンセンス推論による最先端性能を実現することが示された。
  論文  参考訳（メタデータ） (2023-03-12T14:31:44Z)
• You Only Transfer What You Share: Intersection-Induced Graph Transfer Learning for Link Prediction [79.15394378571132]
  従来見過ごされていた現象を調査し、多くの場合、元のグラフに対して密に連結された補グラフを見つけることができる。 より密度の高いグラフは、選択的で有意義な知識を伝達するための自然なブリッジを提供する元のグラフとノードを共有することができる。 この設定をグラフインターセクション誘導トランスファーラーニング(GITL)とみなし,eコマースや学術共同オーサシップ予測の実践的応用に動機づけられた。
  論文  参考訳（メタデータ） (2023-02-27T22:56:06Z)
• Towards Consistency and Complementarity: A Multiview Graph Information Bottleneck Approach [25.40829979251883]
  共有(一貫性)とビュー固有(相補性)情報をモデル化し、統合する方法は、マルチビューグラフ解析において重要な問題である。 本稿では,共通表現の合意とビュー固有表現の不一致を最大化するために,MVGIB(Multiview Variational Graph Information Bottleneck)の原理を提案する。
  論文  参考訳（メタデータ） (2022-10-11T13:51:34Z)
• Joint Graph Learning and Matching for Semantic Feature Correspondence [69.71998282148762]
  本稿では,グラフマッチングを向上するための信頼度の高いグラフ構造を探索するために,GLAMという共用電子グラフ学習とマッチングネットワークを提案する。 提案手法は,3つの人気ビジュアルマッチングベンチマーク (Pascal VOC, Willow Object, SPair-71k) で評価される。 すべてのベンチマークにおいて、従来の最先端のグラフマッチング手法よりも大きなマージンを達成している。
  論文  参考訳（メタデータ） (2021-09-01T08:24:02Z)
• Inter-domain Multi-relational Link Prediction [19.094154079752123]
  関連するグラフが共存する場合には、より小さなグラフを統合することで、より大きなグラフを構築するという大きなメリットがあります。 この統合では、異なるグラフに属するエンティティ間の隠れたリレーショナル接続を予測する必要がある。 ドメイン間リンク予測問題に対して,異なるドメイン間のエンティティ分布をソフトに整合させることにより,新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2021-06-11T05:10:31Z)
• Link Prediction on N-ary Relational Facts: A Graph-based Approach [18.01071110085996]
  知識グラフ(KG)のリンク予測は重要な研究トピックである。 本稿では,n-項関係の事実に対するリンク予測を考察し,この課題に対するグラフベースアプローチを提案する。
  論文  参考訳（メタデータ） (2021-05-18T12:40:35Z)
• Jointly Cross- and Self-Modal Graph Attention Network for Query-Based Moment Localization [77.21951145754065]
  本稿では,共同グラフを渡る反復的メッセージのプロセスとして,このタスクをリキャストするクロスモーダルグラフ注意ネットワーク(CSMGAN)を提案する。 CSMGANは2つのモード間の高次相互作用を効果的に捉えることができ、より正確な局所化を可能にします。
  論文  参考訳（メタデータ） (2020-08-04T08:25:24Z)
• Tensor Graph Convolutional Networks for Multi-relational and Robust Learning [74.05478502080658]
  本稿では,テンソルで表されるグラフの集合に関連するデータから,スケーラブルな半教師付き学習(SSL)を実現するためのテンソルグラフ畳み込みネットワーク(TGCN)を提案する。 提案アーキテクチャは、標準的なGCNと比較して大幅に性能が向上し、最先端の敵攻撃に対処し、タンパク質間相互作用ネットワーク上でのSSL性能が著しく向上する。
  論文  参考訳（メタデータ） (2020-03-15T02:33:21Z)

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。