論文の概要: Propagation on Multi-relational Graphs for Node Regression
- arxiv url: http://arxiv.org/abs/2110.08185v1
- Date: Fri, 15 Oct 2021 16:37:39 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-18 14:47:16.717437
- Title: Propagation on Multi-relational Graphs for Node Regression
- Title(参考訳): ノード回帰のためのマルチリレーショナルグラフの伝播
- Authors: Eda Bayram
- Abstract要約: マルチリレーショナルグラフと有向グラフのノードにおける欠落した連続的特徴を補うための新しい伝搬フレームワークを提案する。
本研究は,複数のノード回帰シナリオにおけるデータのマルチリレーショナル構造を,異なる設定で活用することの利点を示す。
- 参考スコア(独自算出の注目度): 0.571097144710995
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recent years have witnessed a rise in real-world data captured with rich
structural information that can be conveniently depicted by multi-relational
graphs. While inference of continuous node features across a simple graph is
rather under-studied by the current relational learning research, we go one
step further and focus on node regression problem on multi-relational graphs.
We take inspiration from the well-known label propagation algorithm aiming at
completing categorical features across a simple graph and propose a novel
propagation framework for completing missing continuous features at the nodes
of a multi-relational and directed graph. Our multi-relational propagation
algorithm is composed of iterative neighborhood aggregations which originate
from a relational local generative model. Our findings show the benefit of
exploiting the multi-relational structure of the data in several node
regression scenarios in different settings.
- Abstract(参考訳): 近年、マルチリレーショナルグラフが便利に表現できるような、豊富な構造情報を持つ実世界のデータの増加を目撃している。
単純なグラフにまたがる連続ノードの特徴の推測は、現在のリレーショナルラーニング研究であまり研究されていないが、さらに一歩進んで、マルチリレーショナルグラフ上のノード回帰問題に焦点を当てる。
本稿では,単純なグラフのカテゴリ的特徴を完備することを目的としたラベル伝播アルゴリズムから着想を得て,多項有向グラフのノードに欠落する連続的な特徴を完備する新しい伝播フレームワークを提案する。
このマルチリレーショナル伝播アルゴリズムは,リレーショナル局所生成モデルに基づく反復型近傍集約からなる。
本研究は,複数のノード回帰シナリオにおけるデータのマルチリレーショナル構造を,異なる設定で活用することの利点を示す。
関連論文リスト
- Graph Transformer GANs with Graph Masked Modeling for Architectural
Layout Generation [153.92387500677023]
本稿では,グラフノード関係を効果的に学習するために,GTGAN(Graph Transformer Generative Adversarial Network)を提案する。
提案したグラフ変換器エンコーダは、局所的およびグローバルな相互作用をモデル化するために、Transformer内のグラフ畳み込みと自己アテンションを組み合わせる。
また,グラフ表現学習のための自己指導型事前学習手法を提案する。
論文 参考訳(メタデータ) (2024-01-15T14:36:38Z) - Hierarchical Aggregations for High-Dimensional Multiplex Graph Embedding [7.271256448682229]
HMGEは高次元多重グラフの階層的アグリゲーションに基づく新しい埋め込み手法である。
我々は、ローカルパッチとグローバルサマリー間の相互情報を活用して、監督なしにモデルを訓練する。
合成および実世界のデータに関する詳細な実験は、下流監視タスクに対する我々のアプローチの適合性を示している。
論文 参考訳(メタデータ) (2023-12-28T05:39:33Z) - Convolutional Learning on Multigraphs [153.20329791008095]
我々は、多グラフ上の畳み込み情報処理を開発し、畳み込み多グラフニューラルネットワーク(MGNN)を導入する。
情報拡散の複雑なダイナミクスを多グラフのエッジのクラス間で捉えるために、畳み込み信号処理モデルを定式化する。
我々は,計算複雑性を低減するため,サンプリング手順を含むマルチグラフ学習アーキテクチャを開発した。
導入されたアーキテクチャは、最適な無線リソース割り当てとヘイトスピーチローカライゼーションタスクに適用され、従来のグラフニューラルネットワークよりも優れたパフォーマンスを提供する。
論文 参考訳(メタデータ) (2022-09-23T00:33:04Z) - Graph Pooling for Graph Neural Networks: Progress, Challenges, and
Opportunities [128.55790219377315]
グラフニューラルネットワークは多くのグラフレベルのタスクの主要なアーキテクチャとして登場した。
グラフプーリングは、グラフ全体の全体的グラフレベル表現を得るためには不可欠である。
論文 参考訳(メタデータ) (2022-04-15T04:02:06Z) - r-GAT: Relational Graph Attention Network for Multi-Relational Graphs [8.529080554172692]
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。
論文 参考訳(メタデータ) (2021-09-13T12:43:00Z) - 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) - Multilayer Clustered Graph Learning [66.94201299553336]
我々は、観測された層を代表グラフに適切に集約するために、データ忠実度用語として対照的な損失を用いる。
実験により,本手法がクラスタクラスタw.r.tに繋がることが示された。
クラスタリング問題を解くためのクラスタリングアルゴリズムを学習する。
論文 参考訳(メタデータ) (2020-10-29T09:58:02Z) - Graphs, Entities, and Step Mixture [11.162937043309478]
エッジベース近傍関係とノードベース実体特徴の両方を考慮した新しいグラフニューラルネットワークを提案する。
集約的な実験により,提案したGESMは,8つのベンチマークグラフデータセット上で,最先端または同等のパフォーマンスを達成することを示す。
論文 参考訳(メタデータ) (2020-05-18T06:57:02Z) - 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。