Fugu-MT 論文翻訳(概要): Neural Link Prediction with Walk Pooling

論文の概要: Neural Link Prediction with Walk Pooling

arxiv url: http://arxiv.org/abs/2110.04375v1
Date: Fri, 8 Oct 2021 20:52:12 GMT
ステータス: 処理完了
システム内更新日: 2021-10-12 19:42:05.825954
Title: Neural Link Prediction with Walk Pooling
Title（参考訳）: ウォークプールを用いたニューラルリンク予測
Authors: Liming Pan, Cheng Shi and Ivan Dokmani\'c
Abstract要約: ウォークプールと呼ばれる新しいプール方式に基づくリンク予測を提案する。トポロジカルアルゴリズムの表現性とニューラルネットワークの機能学習能力を組み合わせる。これは、すべての一般的なリンク予測ベンチマークで最先端の手法より優れている。
参考スコア（独自算出の注目度）: 31.12613408446031
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Graph neural networks achieve high accuracy in link prediction by jointly leveraging graph topology and node attributes. Topology, however, is represented indirectly; state-of-the-art methods based on subgraph classification label nodes with distance to the target link, so that, although topological information is present, it is tempered by pooling. This makes it challenging to leverage features like loops and motifs associated with network formation mechanisms. We propose a link prediction algorithm based on a new pooling scheme called WalkPool. WalkPool combines the expressivity of topological heuristics with the feature-learning ability of neural networks. It summarizes a putative link by random walk probabilities of adjacent paths. Instead of extracting transition probabilities from the original graph, it computes the transition matrix of a "predictive" latent graph by applying attention to learned features; this may be interpreted as feature-sensitive topology fingerprinting. WalkPool can leverage unsupervised node features or be combined with GNNs and trained end-to-end. It outperforms state-of-the-art methods on all common link prediction benchmarks, both homophilic and heterophilic, with and without node attributes. Applying WalkPool to a set of unsupervised GNNs significantly improves prediction accuracy, suggesting that it may be used as a general-purpose graph pooling scheme.
Abstract（参考訳）: グラフニューラルネットワークは,グラフトポロジとノード属性を併用することにより,リンク予測における高精度を実現する。しかし、トポロジは間接的に表現される; サブグラフ分類ラベルノードに基づく最先端の手法は、ターゲットリンクまでの距離を持つため、トポロジ情報はあるものの、プーリングによって誘惑される。これにより、ネットワーク形成メカニズムに関連するループやモチーフといった機能を活用することが困難になる。ウォークプールと呼ばれる新しいプール方式に基づくリンク予測アルゴリズムを提案する。 WalkPoolは、トポロジカルヒューリスティックスの表現性と、ニューラルネットワークの機能学習能力を組み合わせる。隣接経路のランダムウォーキング確率による仮定リンクを要約する。元のグラフから遷移確率を抽出する代わりに、学習された特徴に注意を向けることで「予測的」潜在グラフの遷移行列を計算する。 WalkPoolは教師なしのノード機能を利用することができる。ノード属性の有無に関わらず、同好性および異好性の両方で、すべての一般的なリンク予測ベンチマークで最先端の手法より優れている。教師なしGNNにWalkPoolを適用すると、予測精度が大幅に向上し、汎用グラフプーリングスキームとして使用される可能性がある。

関連論文リスト

GNN-LoFI: a Novel Graph Neural Network through Localized Feature-based Histogram Intersection [51.608147732998994]
グラフニューラルネットワークは、グラフベースの機械学習の選択フレームワークになりつつある。本稿では,古典的メッセージパッシングに代えて,ノード特徴の局所分布を解析するグラフニューラルネットワークアーキテクチャを提案する。
論文参考訳（メタデータ） (2024-01-17T13:04:23Z)
Disentangling Node Attributes from Graph Topology for Improved Generalizability in Link Prediction [5.651457382936249]
提案手法であるUPNAは,一対のノード属性を学習し,エッジの確率を予測することによって,帰納的リンク予測問題を解く。 UPNAは、様々なペアワイズ学習タスクに適用でき、既存のリンク予測モデルと統合して、一般化可能性とグラフ生成モデルを強化することができる。
論文参考訳（メタデータ） (2023-07-17T22:19:12Z)
NodeFormer: A Scalable Graph Structure Learning Transformer for Node Classification [70.51126383984555]
本稿では,任意のノード間のノード信号を効率的に伝搬する全ペアメッセージパッシング方式を提案する。効率的な計算は、カーナライズされたGumbel-Softmax演算子によって実現される。グラフ上のノード分類を含む様々なタスクにおいて,本手法の有望な有効性を示す実験を行った。
論文参考訳（メタデータ） (2023-06-14T09:21:15Z)
Path Integral Based Convolution and Pooling for Heterogeneous Graph Neural Networks [2.5889737226898437]
グラフニューラルネットワーク(GNN)は、ディープラーニングをグラフ構造データセットに拡張する。画像予測に使用する畳み込みニューラルネットワーク(CNN)と同様に、畳み込み層とプーリング層がグラフ予測タスクにおけるGNNの成功の基礎となっている。
論文参考訳（メタデータ） (2023-02-26T20:05:23Z)
Generative Graph Neural Networks for Link Prediction [13.643916060589463]
欠落したリンクを推測したり、観測されたグラフに基づいて急激なリンクを検出することは、グラフデータ分析における長年の課題である。本稿では,GraphLPと呼ばれるネットワーク再構成理論に基づく,新しい,根本的に異なるリンク予測アルゴリズムを提案する。リンク予測に使用される識別ニューラルネットワークモデルとは異なり、GraphLPは生成可能であり、ニューラルネットワークベースのリンク予測の新しいパラダイムを提供する。
論文参考訳（メタデータ） (2022-12-31T10:07:19Z)
Graph Belief Propagation Networks [34.137798598227874]
グラフニューラルネットワークと集合分類の利点を組み合わせたモデルを提案する。我々のモデルでは、各ノード上のポテンシャルはそのノードの特徴にのみ依存し、エッジポテンシャルは結合行列を介して学習される。我々のアプローチは、解釈可能なメッセージパスグラフニューラルネットワークか、より高いキャパシティと近代化されたトレーニングを備えた集団分類手法とみなすことができる。
論文参考訳（メタデータ） (2021-06-06T05:24:06Z)
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)
A comparative study of similarity-based and GNN-based link prediction approaches [1.0441880303257467]
グラフニューラルネットワーク(GNN)は、グラフ内のリンク予測タスクに使用できるグラフから隠れた特徴を学習することができる。本稿では、同次グラフの領域における類似性とGNNに基づくリンク予測手法について検討する。
論文参考訳（メタデータ） (2020-08-20T10:41:53Z)
Graph Pooling with Node Proximity for Hierarchical Representation Learning [80.62181998314547]
本稿では,ノード近接を利用したグラフプーリング手法を提案し,そのマルチホップトポロジを用いたグラフデータの階層的表現学習を改善する。その結果,提案したグラフプーリング戦略は,公開グラフ分類ベンチマークデータセットの集合において,最先端のパフォーマンスを達成できることが示唆された。
論文参考訳（メタデータ） (2020-06-19T13:09:44Z)
Learning to Extrapolate Knowledge: Transductive Few-shot Out-of-Graph Link Prediction [69.1473775184952]
数発のアウトオブグラフリンク予測という現実的な問題を導入する。我々は,新しいメタ学習フレームワークによってこの問題に対処する。我々は,知識グラフの補完と薬物と薬物の相互作用予測のために,複数のベンチマークデータセット上でモデルを検証した。
論文参考訳（メタデータ） (2020-06-11T17:42:46Z)
Block-Approximated Exponential Random Graphs [77.4792558024487]
指数乱グラフ(ERG)の分野における重要な課題は、大きなグラフ上の非自明なERGの適合である。本稿では,非自明なERGに対する近似フレームワークを提案する。我々の手法は、数百万のノードからなるスパースグラフにスケーラブルである。
論文参考訳（メタデータ） (2020-02-14T11:42:16Z)

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。