論文の概要: CoRGi: Content-Rich Graph Neural Networks with Attention

• arxiv url: http://arxiv.org/abs/2110.04866v1
• Date: Sun, 10 Oct 2021 17:54:30 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-12 18:58:53.693612
• Title: CoRGi: Content-Rich Graph Neural Networks with Attention
• Title（参考訳）: corgi: 注意深いコンテンツ豊富なグラフニューラルネットワーク
• Authors: Jooyeon Kim, Angus Lamb, Simon Woodhead, Simon Peyton Jones, Cheng Zheng, Miltiadis Allamanis
• Abstract要約: 隣人のコンテキストでノード内のリッチなデータを考慮したグラフニューラルネットワークであるCoRGiを提案する。 これは、各ノードの内容に対してパーソナライズされたアテンションメカニズムでCoRGiのメッセージパッシングを付与することで実現される。 我々は,CoRGiが既存の手法,特にグラフのスパース領域よりもエッジ値の予測に優れていることを示す。
• 参考スコア（独自算出の注目度）: 12.339385456449659
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graph representations of a target domain often project it to a set of entities (nodes) and their relations (edges). However, such projections often miss important and rich information. For example, in graph representations used in missing value imputation, items - represented as nodes - may contain rich textual information. However, when processing graphs with graph neural networks (GNN), such information is either ignored or summarized into a single vector representation used to initialize the GNN. Towards addressing this, we present CoRGi, a GNN that considers the rich data within nodes in the context of their neighbors. This is achieved by endowing CoRGi's message passing with a personalized attention mechanism over the content of each node. This way, CoRGi assigns user-item-specific attention scores with respect to the words that appear in an item's content. We evaluate CoRGi on two edge-value prediction tasks and show that CoRGi is better at making edge-value predictions over existing methods, especially on sparse regions of the graph.
• Abstract（参考訳）: 対象領域のグラフ表現は、エンティティ(ノード)とその関係(エッジ)の集合にそれを投影することが多い。 しかし、こうした予測はしばしば重要で豊かな情報を見逃す。 例えば、値計算の欠如に使われるグラフ表現では、ノードとして表現されるアイテムは、リッチなテキスト情報を含むことができる。 しかし、グラフニューラルネットワーク(GNN)でグラフを処理する場合、そのような情報は無視されるか、GNNの初期化に使用される単一のベクトル表現に要約される。 この問題に対処するために、隣人のコンテキストにおけるノード内のリッチなデータを考慮したGNNであるCoRGiを提案する。 これは、各ノードの内容に対してパーソナライズされたアテンションメカニズムでCoRGiのメッセージパッシングを付与することで実現される。 このように、CoRGiは、アイテムのコンテンツに現れる単語に関して、ユーザ固有の注意スコアを割り当てる。 我々は2つのエッジ値予測タスク上でCoRGiを評価し、CoRGiが既存の手法、特にグラフのスパース領域においてエッジ値予測を行うのに優れていることを示す。

関連論文リスト

• 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)
• 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)
• Structure Enhanced Graph Neural Networks for Link Prediction [6.872826041648584]
  リンク予測のための構造拡張グラフニューラルネットワーク(SEG)を提案する。 SEGは、ターゲットノードの周囲の位相情報を通常のGNNモデルに組み込む。 OGBリンク予測データセットの実験は、SEGが最先端の結果を達成することを示す。
  論文  参考訳（メタデータ） (2022-01-14T03:49:30Z)
• Graph Neural Networks with Feature and Structure Aware Random Walk [7.143879014059894]
  典型的な好適なグラフでは、エッジを指向する可能性があり、エッジをそのまま扱うか、あるいは単純に非指向にするかは、GNNモデルの性能に大きな影響を与える。 そこで我々は,グラフの方向性を適応的に学習するモデルを開発し,ノード間の長距離相関を生かした。
  論文  参考訳（メタデータ） (2021-11-19T08:54:21Z)
• Hierarchical graph neural nets can capture long-range interactions [8.067880298298185]
  与えられたグラフの多重解像度表現を利用する階層的メッセージパッシングモデルについて検討する。 これにより、ローカル情報を失うことなく、大きな受容領域にまたがる特徴の学習が容易になる。 階層グラフネット(HGNet)を導入し、任意の2つの接続ノードに対して、最大対数長のメッセージパスパスが存在することを保証します。
  論文  参考訳（メタデータ） (2021-07-15T16:24:22Z)
• Graph Attention Networks with Positional Embeddings [7.552100672006174]
  グラフニューラルネットワーク(GNN)は、ノード分類タスクにおける芸術的パフォーマンスの現在の状態を提供するディープラーニング手法である。 本論文では,GATを位置埋め込みで強化するフレームワークであるG Graph Attentional Networks with Positional Embeddings(GAT-POS)を提案する。 GAT-POSは、強いGNNベースラインや、非ホモフィルグラフ上の最近の構造埋め込み強化GNNと比較して著しく改善されている。
  論文  参考訳（メタデータ） (2021-05-09T22:13:46Z)
• Factorizable Graph Convolutional Networks [90.59836684458905]
  本稿では,グラフに符号化された相互に絡み合った関係を明示的に解消する新しいグラフ畳み込みネットワーク(GCN)を提案する。 FactorGCNは単純なグラフを入力として取り、それをいくつかの分解グラフに分解する。 提案したFacterGCNは,合成および実世界のデータセットに対して質的かつ定量的に評価する。
  論文  参考訳（メタデータ） (2020-10-12T03:01:40Z)
• Higher-Order Explanations of Graph Neural Networks via Relevant Walks [3.1510406584101776]
  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を予測するための一般的なアプローチである。 本稿では,GNNを高次展開を用いて自然に説明できることを示す。 本稿では,テキストデータの感情分析,量子化学における構造・不適切な関係,画像分類に関する実践的な知見を抽出する。
  論文  参考訳（メタデータ） (2020-06-05T17:59:14Z)
• Iterative Context-Aware Graph Inference for Visual Dialog [126.016187323249]
  本稿では,新しいコンテキスト認識グラフ(CAG)ニューラルネットワークを提案する。 グラフの各ノードは、オブジェクトベース(視覚)と履歴関連(テキスト)コンテキスト表現の両方を含む、共同意味機能に対応している。
  論文  参考訳（メタデータ） (2020-04-05T13:09:37Z)
• Graphs, Convolutions, and Neural Networks: From Graph Filters to Graph Neural Networks [183.97265247061847]
  我々はグラフ信号処理を活用してグラフニューラルネットワーク(GNN)の表現空間を特徴付ける。 GNNにおけるグラフ畳み込みフィルタの役割について議論し、そのようなフィルタで構築されたアーキテクチャは、置換同値の基本的な性質と位相変化に対する安定性を持つことを示す。 また,ロボット群に対するリコメンデータシステムや分散型コントローラの学習におけるGNNの利用について検討した。
  論文  参考訳（メタデータ） (2020-03-08T13:02:15Z)
• EdgeNets:Edge Varying Graph Neural Networks [179.99395949679547]
  本稿では、EdgeNetの概念を通じて、最先端グラフニューラルネットワーク(GNN)を統一する一般的なフレームワークを提案する。 EdgeNetはGNNアーキテクチャであり、異なるノードが異なるパラメータを使って異なる隣人の情報を測定することができる。 これは、ノードが実行でき、既存のグラフ畳み込みニューラルネットワーク(GCNN)とグラフアテンションネットワーク(GAT)の1つの定式化の下で包含できる一般的な線形で局所的な操作である。
  論文  参考訳（メタデータ） (2020-01-21T15:51:17Z)

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。