論文の概要: The CAT SET on the MAT: Cross Attention for Set Matching in Bipartite
Hypergraphs
- arxiv url: http://arxiv.org/abs/2111.00243v1
- Date: Sat, 30 Oct 2021 13:01:26 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-02 17:08:53.144054
- Title: The CAT SET on the MAT: Cross Attention for Set Matching in Bipartite
Hypergraphs
- Title(参考訳): マットにセットされた猫:二部的ハイパーグラフにおけるセットマッチングのためのクロス注意
- Authors: Govind Sharma, Swyam Prakash Singh, V. Susheela Devi, and M. Narasimha
Murty
- Abstract要約: 我々はCATSETMATと呼ばれる新しいニューラルネットワークアーキテクチャを提案する。
我々は、CATSETMATの優れた性能を示すために、複数の二部グラフデータセットについて広範な実験を行った。
- 参考スコア(独自算出の注目度): 6.606005367624168
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Usual relations between entities could be captured using graphs; but those of
a higher-order -- more so between two different types of entities (which we
term "left" and "right") -- calls for a "bipartite hypergraph". For example,
given a left set of symptoms and right set of diseases, the relation between a
set subset of symptoms (that a patient experiences at a given point of time)
and a subset of diseases (that he/she might be diagnosed with) could be
well-represented using a bipartite hyperedge. The state-of-the-art in embedding
nodes of a hypergraph is based on learning the self-attention structure between
node-pairs from a hyperedge. In the present work, given a bipartite hypergraph,
we aim at capturing relations between node pairs from the cross-product between
the left and right hyperedges, and term it a "cross-attention" (CAT) based
model. More precisely, we pose "bipartite hyperedge link prediction" as a
set-matching (SETMAT) problem and propose a novel neural network architecture
called CATSETMAT for the same. We perform extensive experiments on multiple
bipartite hypergraph datasets to show the superior performance of CATSETMAT,
which we compare with multiple techniques from the state-of-the-art. Our
results also elucidate information flow in self- and cross-attention scenarios.
- Abstract(参考訳): エンティティ間の通常の関係はグラフを使ってキャプチャできるが、より異なる2種類のエンティティ("left" と "right")の間にある上位のエンティティは、"bipartite hypergraph" を呼び出す。
例えば、症状の左セットと病気の右セットが与えられた場合、一連の症状(患者が特定の時点に経験する)と疾患のサブセット(彼/彼女が診断されるかもしれない)の関係は、二成分ハイパーエッジを用いてよく表現できる。
ハイパーグラフの埋め込みノードの最先端は、ハイパーエッジからノードペア間の自己アテンション構造を学習することに基づいている。
本研究は,両部ハイパーグラフを用いて,左右のハイパーエッジ間の交叉積からノード対の関係を捉えることを目的としており,これを「クロスアテンション」(CAT)ベースモデルと呼ぶ。
より正確には、セットマッチング(SETMAT)問題として"双分割ハイパーエッジリンク予測(bipartite hyperedge link prediction)"を行い、CATSETMATと呼ばれる新しいニューラルネットワークアーキテクチャを提案する。
catsetmatの優れた性能を示すために,複数の2部ハイパーグラフデータセットについて広範な実験を行い,最先端の複数の技術と比較した。
また,自己および横断的なシナリオにおける情報フローの解明も行った。
関連論文リスト
- HyperSMOTE: A Hypergraph-based Oversampling Approach for Imbalanced Node Classifications [2.172034690069702]
ハイパーグラフ学習におけるクラス不均衡問題を緩和する手法としてHyperSMOTEを提案する。
マイノリティクラスとその周辺地域のサンプルに基づいて新しいノードを合成する。
新たなノードをハイパーグラフに統合する際の問題を解決するために,元のハイパーグラフインシデント行列に基づいてデコーダを訓練する。
論文 参考訳(メタデータ) (2024-09-09T08:01:28Z) - Joint Entity and Relation Extraction with Span Pruning and Hypergraph
Neural Networks [58.43972540643903]
PLマーカ(最先端マーカーベースピプレリンモデル)上に構築されたEREのためのHyperGraphニューラルネットワーク(hgnn$)を提案する。
エラーの伝播を軽減するため,NERモジュールからのエンティティ識別とラベル付けの負担をモデルのジョイントモジュールに転送するために,ハイリコールプルーナー機構を用いる。
EREタスクに広く使用されている3つのベンチマークの実験は、以前の最先端のPLマーカーよりも大幅に改善されている。
論文 参考訳(メタデータ) (2023-10-26T08:36:39Z) - On the Equivalence of Graph Convolution and Mixup [70.0121263465133]
本稿では,グラフ畳み込みと混合手法の関係について検討する。
2つの穏やかな条件の下では、グラフの畳み込みはMixupの特別な形式と見なすことができる。
グラフ畳み込みネットワーク(GCN)と単純化グラフ畳み込み(SGC)をミックスアップの形で表現できることを証明し、数学的にこの等価性を確立する。
論文 参考訳(メタデータ) (2023-09-29T23:09:54Z) - BOURNE: Bootstrapped Self-supervised Learning Framework for Unified
Graph Anomaly Detection [50.26074811655596]
自己指導型自己学習(BOURNE)に基づく新しい統合グラフ異常検出フレームワークを提案する。
ノードとエッジ間のコンテキスト埋め込みを交換することで、ノードとエッジの異常を相互に検出できる。
BOURNEは、負のサンプリングを必要としないため、大きなグラフを扱う際の効率を高めることができる。
論文 参考訳(メタデータ) (2023-07-28T00:44:57Z) - From Hypergraph Energy Functions to Hypergraph Neural Networks [94.88564151540459]
パラメータ化されたハイパーグラフ正規化エネルギー関数の表現型族を示す。
次に、これらのエネルギーの最小化がノード埋め込みとして効果的に機能することを実証する。
提案した双レベルハイパーグラフ最適化と既存のGNNアーキテクチャを共通的に用いている。
論文 参考訳(メタデータ) (2023-06-16T04:40:59Z) - Classification of Edge-dependent Labels of Nodes in Hypergraphs [17.454063924648896]
エッジ依存ノードラベルの分類を新しい問題として紹介する。
この問題はハイパーグラフニューラルネットワークのベンチマークタスクとして使用できる。
提案するWHATsNetは,参加するハイパーエッジに応じて同一ノードを異なる表現で表現する,新しいハイパーグラフニューラルネットワークである。
論文 参考訳(メタデータ) (2023-06-05T16:50:34Z) - Collaborative likelihood-ratio estimation over graphs [55.98760097296213]
グラフに基づく相対的制約のない最小二乗重要度フィッティング(GRULSIF)
我々はこの考え方を、グラフベースの相対的非制約最小二乗重要度フィッティング(GRULSIF)と呼ばれる具体的な非パラメトリック手法で開発する。
我々は、ノード当たりの観測回数、グラフのサイズ、およびグラフ構造がタスク間の類似性をどの程度正確にエンコードしているかといった変数が果たす役割を強調する、協調的なアプローチの収束率を導出する。
論文 参考訳(メタデータ) (2022-05-28T15:37:03Z) - Message Passing Neural Networks for Hypergraphs [6.999112784624749]
本稿では,ハイパーグラフ構造データを処理可能なメッセージパッシングに基づく,最初のグラフニューラルネットワークを提案する。
提案モデルでは,ハイパーグラフのためのニューラルネットワークモデルの設計空間が定義され,既存のハイパーグラフモデルが一般化されることを示す。
論文 参考訳(メタデータ) (2022-03-31T12:38:22Z) - Love tHy Neighbour: Remeasuring Local Structural Node Similarity in
Hypergraph-Derived Networks [2.246222223318928]
ノードペア間のハイパーグラフ指向の類似度スコアを複数提案する。
グラフトポロジーに基づくスコアをハイパーグラフに拡張するための理論的定式化を提供する。
論文 参考訳(メタデータ) (2021-10-30T14:12:58Z) - Multi-View Brain HyperConnectome AutoEncoder For Brain State
Classification [0.0]
本稿では,近傍のアルゴリズムに基づいて,各脳の視線に対するハイパーコネクトームを構築するための新しい手法を提案する。
また,マルチビュー・ハイパーコネクトーム上で直接動作するハイパーコネクトーム・オートエンコーダ・フレームワークを設計する。
実験の結果,HCAEによる脳内埋め込みが脳状態の分類に有効であることが判明した。
論文 参考訳(メタデータ) (2020-09-24T08:51:44Z) - Neural Subgraph Matching [57.05893848555512]
NeuroMatchは、サブグラフマッチングに対する正確で効率的で堅牢な神経アプローチである。
NeuroMatchは、既存の幾何学的アプローチよりも100倍高速で、既存のサブグラフマッチング手法よりも18%精度が高い。
論文 参考訳(メタデータ) (2020-07-06T22:06:38Z)
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。