論文の概要: ACE-HGNN: Adaptive Curvature Exploration Hyperbolic Graph Neural Network
- arxiv url: http://arxiv.org/abs/2110.07888v1
- Date: Fri, 15 Oct 2021 07:18:57 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-18 15:19:53.053571
- Title: ACE-HGNN: Adaptive Curvature Exploration Hyperbolic Graph Neural Network
- Title（参考訳）: ace-hgnn:適応曲率探索双曲グラフニューラルネットワーク
- Authors: Xingcheng Fu, Jianxin Li, Jia Wu, Qingyun Sun, Cheng Ji, Senzhang
Wang, Jiajun Tan, Hao Peng and Philip S. Yu
- Abstract要約: 本稿では、入力グラフと下流タスクに基づいて最適な曲率を適応的に学習する適応曲率探索ハイパーボリックグラフニューラルネットワークACE-HGNNを提案する。
複数の実世界のグラフデータセットの実験は、競争性能と優れた一般化能力を備えたモデル品質において、顕著で一貫したパフォーマンス改善を示す。
- 参考スコア（独自算出の注目度）: 72.16255675586089
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Graph Neural Networks (GNNs) have been widely studied in various graph data
mining tasks. Most existingGNNs embed graph data into Euclidean space and thus
are less effective to capture the ubiquitous hierarchical structures in
real-world networks. Hyperbolic Graph Neural Networks(HGNNs) extend GNNs to
hyperbolic space and thus are more effective to capture the hierarchical
structures of graphs in node representation learning. In hyperbolic geometry,
the graph hierarchical structure can be reflected by the curvatures of the
hyperbolic space, and different curvatures can model different hierarchical
structures of a graph. However, most existing HGNNs manually set the curvature
to a fixed value for simplicity, which achieves a suboptimal performance of
graph learning due to the complex and diverse hierarchical structures of the
graphs. To resolve this problem, we propose an Adaptive Curvature Exploration
Hyperbolic Graph NeuralNetwork named ACE-HGNN to adaptively learn the optimal
curvature according to the input graph and downstream tasks. Specifically,
ACE-HGNN exploits a multi-agent reinforcement learning framework and contains
two agents, ACE-Agent andHGNN-Agent for learning the curvature and node
representations, respectively. The two agents are updated by a NashQ-leaning
algorithm collaboratively, seeking the optimal hyperbolic space indexed by the
curvature. Extensive experiments on multiple real-world graph datasets
demonstrate a significant and consistent performance improvement in model
quality with competitive performance and good generalization ability.
- Abstract（参考訳）: グラフニューラルネットワーク(GNN)は、様々なグラフデータマイニングタスクで広く研究されている。
既存のGNNの多くはグラフデータをユークリッド空間に埋め込むため、現実のネットワークにおいてユビキタスな階層構造を捉えるのに効果的ではない。
双曲グラフニューラルネットワーク(HGNN)は、GNNを双曲空間に拡張し、ノード表現学習においてグラフの階層構造を捉えるのに効果的である。
双曲幾何学において、グラフ階層構造は双曲空間の曲率によって反映され、異なる曲率はグラフの異なる階層構造をモデル化することができる。
しかし,既存のHGNNでは,グラフの複雑かつ多様な階層構造により,グラフ学習の最適性能を実現するために,手動で曲率を固定値に設定している。
この問題を解決するために,ACE-HGNNと呼ばれる適応曲率探索ハイパーボリックグラフニューラルネットを提案し,入力グラフと下流タスクに基づいて最適な曲率を適応的に学習する。
具体的には、ACE-HGNNはマルチエージェント強化学習フレームワークを利用し、それぞれ曲率とノード表現を学習するためのACE-AgentとHGNN-Agentの2つのエージェントを含んでいる。
2つのエージェントは、nashq-leaningアルゴリズムによって協調的に更新され、曲率によってインデックス化された最適な双曲空間を求める。
複数の実世界のグラフデータセットに対する大規模な実験は、競争性能と優れた一般化能力を備えたモデル品質において、顕著で一貫したパフォーマンス改善を示す。
関連論文リスト
- GRE^2-MDCL: Graph Representation Embedding Enhanced via Multidimensional Contrastive Learning [0.0]
グラフ表現学習は、ノードをベクトル表現にマッピングする際にグラフトポロジを保存する強力なツールとして登場した。
現在のグラフニューラルネットワークモデルは、広範なラベル付きデータを必要とするという課題に直面している。
多次元コントラスト学習によるグラフ表現埋め込みを提案する。
論文 参考訳（メタデータ） (2024-09-12T03:09:05Z) - Spectral Greedy Coresets for Graph Neural Networks [61.24300262316091]
ノード分類タスクにおける大規模グラフの利用は、グラフニューラルネットワーク(GNN)の現実的な応用を妨げる
本稿では,GNNのグラフコアセットについて検討し,スペクトル埋め込みに基づくエゴグラフの選択により相互依存の問題を回避する。
我々のスペクトルグレディグラフコアセット(SGGC)は、数百万のノードを持つグラフにスケールし、モデル事前学習の必要性を排除し、低ホモフィリーグラフに適用する。
論文 参考訳（メタデータ） (2024-05-27T17:52:12Z) - DGNN: Decoupled Graph Neural Networks with Structural Consistency
between Attribute and Graph Embedding Representations [62.04558318166396]
グラフニューラルネットワーク(GNN)は、複雑な構造を持つグラフ上での表現学習の堅牢性を示す。
ノードのより包括的な埋め込み表現を得るために、Decoupled Graph Neural Networks (DGNN)と呼ばれる新しいGNNフレームワークが導入された。
複数のグラフベンチマークデータセットを用いて、ノード分類タスクにおけるDGNNの優位性を検証した。
論文 参考訳（メタデータ） (2024-01-28T06:43:13Z) - Implicit Graph Neural Diffusion Networks: Convergence, Generalization,
and Over-Smoothing [7.984586585987328]
Inlicit Graph Neural Networks (GNN)は、グラフ学習問題に対処する上で大きな成功を収めた。
パラメータ化グラフラプラシアン演算子に基づく暗黙グラフ拡散層を設計するための幾何学的枠組みを提案する。
ディリクレエネルギー最小化問題の固定点方程式として, 暗黙のGNN層がどう見えるかを示す。
論文 参考訳（メタデータ） (2023-08-07T05:22:33Z) - Relation Embedding based Graph Neural Networks for Handling
Heterogeneous Graph [58.99478502486377]
我々は、同種GNNが不均一グラフを扱うのに十分な能力を持つように、シンプルで効率的なフレームワークを提案する。
具体的には、エッジ型関係と自己ループ接続の重要性を埋め込むために、関係1つのパラメータのみを使用する関係埋め込みベースのグラフニューラルネットワーク(RE-GNN)を提案する。
論文 参考訳（メタデータ） (2022-09-23T05:24:18Z) - Simple and Efficient Heterogeneous Graph Neural Network [55.56564522532328]
不均一グラフニューラルネットワーク(HGNN)は、不均一グラフの豊富な構造的および意味的な情報をノード表現に埋め込む強力な能力を持つ。
既存のHGNNは、同種グラフ上のグラフニューラルネットワーク(GNN)から多くのメカニズム、特に注意機構と多層構造を継承する。
本稿では,これらのメカニズムを詳細に検討し,簡便かつ効率的なヘテロジニアスグラフニューラルネットワーク(SeHGNN)を提案する。
論文 参考訳（メタデータ） (2022-07-06T10:01:46Z) - Discovering the Representation Bottleneck of Graph Neural Networks from
Multi-order Interactions [51.597480162777074]
グラフニューラルネットワーク(GNN)は、ノード機能を伝搬し、インタラクションを構築するためにメッセージパッシングパラダイムに依存している。
最近の研究は、異なるグラフ学習タスクはノード間の異なる範囲の相互作用を必要とすることを指摘している。
科学領域における2つの共通グラフ構築法、すなわち、emphK-nearest neighbor(KNN)グラフとemphfully-connected(FC)グラフについて検討する。
論文 参考訳（メタデータ） (2022-05-15T11:38:14Z) - Topological Graph Neural Networks [14.349152231293928]
永続ホモロジーを用いたグラフのグローバルトポロジ情報を取り入れた新しい層であるTOGLを提案する。
我々の層によるGNNの拡張は、合成データセットと実世界のデータの両方において、有益な予測性能をもたらす。
論文 参考訳（メタデータ） (2021-02-15T20:27:56Z) - Hierarchical Message-Passing Graph Neural Networks [12.207978823927386]
本稿では,新しい階層型メッセージパッシンググラフニューラルネットワークフレームワークを提案する。
鍵となるアイデアは、フラットグラフ内のすべてのノードをマルチレベルなスーパーグラフに再編成する階層構造を生成することである。
階層型コミュニティ対応グラフニューラルネットワーク(HC-GNN)と呼ばれる,このフレームワークを実装した最初のモデルを提案する。
論文 参考訳（メタデータ） (2020-09-08T13:11:07Z)
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。