論文の概要: Heterogeneous Temporal Graph Neural Network

• arxiv url: http://arxiv.org/abs/2110.13889v1
• Date: Tue, 26 Oct 2021 17:44:18 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-27 16:08:45.415710
• Title: Heterogeneous Temporal Graph Neural Network
• Title（参考訳）: 不均一時間グラフニューラルネットワーク
• Authors: Yujie Fan, Mingxuan Ju, Chuxu Zhang, Liang Zhao, Yanfang Ye
• Abstract要約: 多くの実世界のグラフは異質グラフ構造の文脈で動的に進化する。 本稿では,空間的依存と時間的依存を両立させるヘテロジニアス時間グラフニューラルネットワーク(HTGNN)を提案する。 実世界の異なるデータセットから構築したHTGに対して大規模な実験を行い、HTGNNの優れた性能を示す有望な結果を得た。
• 参考スコア（独自算出の注目度）: 30.115015877888546
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graph neural networks (GNNs) have been broadly studied on dynamic graphs for their representation learning, majority of which focus on graphs with homogeneous structures in the spatial domain. However, many real-world graphs - i.e., heterogeneous temporal graphs (HTGs) - evolve dynamically in the context of heterogeneous graph structures. The dynamics associated with heterogeneity have posed new challenges for HTG representation learning. To solve this problem, in this paper, we propose heterogeneous temporal graph neural network (HTGNN) to integrate both spatial and temporal dependencies while preserving the heterogeneity to learn node representations over HTGs. Specifically, in each layer of HTGNN, we propose a hierarchical aggregation mechanism, including intra-relation, inter-relation, and across-time aggregations, to jointly model heterogeneous spatial dependencies and temporal dimensions. To retain the heterogeneity, intra-relation aggregation is first performed over each slice of HTG to attentively aggregate information of neighbors with the same type of relation, and then intra-relation aggregation is exploited to gather information over different types of relations; to handle temporal dependencies, across-time aggregation is conducted to exchange information across different graph slices over the HTG. The proposed HTGNN is a holistic framework tailored heterogeneity with evolution in time and space for HTG representation learning. Extensive experiments are conducted on the HTGs built from different real-world datasets and promising results demonstrate the outstanding performance of HTGNN by comparison with state-of-the-art baselines. Our built HTGs and code have been made publicly accessible at: https://github.com/YesLab-Code/HTGNN.
• Abstract（参考訳）: グラフニューラルネットワーク(gnns)は、その表現学習のために動的グラフに広く研究されており、その大半は空間領域に均質な構造を持つグラフに焦点を当てている。 しかし、多くの現実世界の graphsi.e。 ヘテロジニアス・テンポラルグラフ(HTG)は、ヘテロジニアス・グラフ構造において動的に進化する。 異種性に関連するダイナミクスは、htg表現学習に新たな課題をもたらした。 そこで本稿では,HTG上でノード表現を学習する不均一性を保ちながら,空間的および時間的依存を両立させるヘテロジニアス時間グラフニューラルネットワーク(HTGNN)を提案する。 具体的には,htgnnの各層において,ヘテロジニアスな空間的依存性と時間的次元を協調的にモデル化する階層的集約機構を提案する。 この不均一性を維持するために、まずHTGの各スライス上で相関内アグリゲーションを行い、同じ種類の関係を持つ隣人の情報を注意深く集約し、その後、相関内アグリゲーションを利用して異なる種類の関係に関する情報を収集し、時間的依存関係を処理するために、HTG上の異なるグラフスライス間で情報交換を行う。 提案したHTGNNは、HTG表現学習のための時間と空間の進化を伴う不均一性に適した全体論的フレームワークである。 実世界の異なるデータセットから構築したHTGに対して大規模な実験を行い、最先端のベースラインと比較して、HTGNNの優れた性能を示す有望な結果を得た。 私たちの構築したHTGとコードは、https://github.com/YesLab-Code/HTGNNで公開されています。

関連論文リスト

• Histopathology Whole Slide Image Analysis with Heterogeneous Graph Representation Learning [78.49090351193269]
  本稿では,WSI分析のために,異なる種類の核間の相互関係を利用する新しいグラフベースのフレームワークを提案する。 具体的には、WSI を各ノードに "nucleus-type" 属性と各エッジに類似した意味属性を持つ異種グラフとして定式化する。 我々のフレームワークは、様々なタスクに対してかなりのマージンで最先端の手法より優れています。
  論文  参考訳（メタデータ） (2023-07-09T14:43:40Z)
• 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)
• Auto-HeG: Automated Graph Neural Network on Heterophilic Graphs [62.665761463233736]
  異種グラフ上の自動グラフニューラルネットワークであるAuto-HeGを提案し、異種グラフGNNモデルを自動的に構築する。 特にAuto-HeGは、検索空間設計、スーパーネットトレーニング、アーキテクチャ選択など、自動異種グラフ学習のあらゆる段階にヘテロフィリーを組み込んでいる。
  論文  参考訳（メタデータ） (2023-02-23T22:49:56Z)
• 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)
• Heterogeneous Graph Neural Networks using Self-supervised Reciprocally Contrastive Learning [102.9138736545956]
  不均一グラフニューラルネットワーク(HGNN)は異種グラフのモデリングと解析において非常に一般的な手法である。 我々は,ノード属性とグラフトポロジの各ガイダンスに関する2つの視点を取り入れた,新規で頑健なヘテロジニアスグラフコントラスト学習手法であるHGCLを初めて開発する。 この新しいアプローチでは,属性とトポロジに関連情報を別々にマイニングする手法として,異なるが最も適した属性とトポロジの融合機構を2つの視点に適用する。
  論文  参考訳（メタデータ） (2022-04-30T12:57:02Z)
• Heterogeneous Graph Neural Network with Multi-view Representation Learning [16.31723570596291]
  異種グラフ埋め込みのための多視点表現学習(MV-HetGNN)を用いた異種グラフニューラルネットワークを提案する。 提案手法は, ノード特徴変換, ビュー固有エゴグラフ符号化, 自動多視点融合により, 包括的ノード表現を生成する複雑な構造情報と意味情報を完全に学習する。 3つの実世界の異種グラフデータセットに対する大規模な実験により、提案されたMV-HetGNNモデルは、様々な下流タスクにおいて、最先端のGNNベースラインを一貫して上回ることを示した。
  論文  参考訳（メタデータ） (2021-08-31T07:18:48Z)
• GTEA: Inductive Representation Learning on Temporal Interaction Graphs via Temporal Edge Aggregation [11.526912398475513]
  時間的相互作用グラフ(TIG)の帰納学習のためのグラフ時間的エッジ集約フレームワークを提案する。 隣接ノードと対応するエッジの埋め込みの特徴を集約することにより、GTEAはTIGの位相的および時間的依存関係の両方を共同で学習する。 さらに, 隣接アグリゲーションに空間性誘導型自己注意スキームが組み込まれ, より重要で, GTEA の自明なノイズを抑制する。
  論文  参考訳（メタデータ） (2020-09-11T07:52:05Z)
• Heterogeneous Graph Transformer [49.675064816860505]
  Webスケールの不均一グラフモデリングのための不均一グラフ変換器(HGT)アーキテクチャ 動的ヘテロジニアスグラフを扱うために、HGTに相対時間符号化手法を導入する。 Web スケールのグラフデータを扱うため,ヘテロジニアスなミニバッチグラフサンプリングアルゴリズム--HGSampling--を設計し,効率的かつスケーラブルなトレーニングを行う。
  論文  参考訳（メタデータ） (2020-03-03T04:49:21Z)

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。