論文の概要: Higher-Order Relations Skew Link Prediction in Graphs

• arxiv url: http://arxiv.org/abs/2111.00271v1
• Date: Sat, 30 Oct 2021 15:27:44 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-02 17:08:08.430958
• Title: Higher-Order Relations Skew Link Prediction in Graphs
• Title（参考訳）: グラフにおける高次関係スキューリンク予測
• Authors: Govind Sharma, Aditya Challa, Paarth Gupta, and M. Narasimha Murty
• Abstract要約: 一対のノードの共通近傍の数が増えると、それらがリンクされる可能性が高くなる。 驚いたことに、CN(Common Neighbors)は非常にうまく機能し、高次関係の存在下でさらに優れていることが判明した。 これは、CN-ヒューリスティックが高次関係の存在下での予測能力を過大評価しているためである。
• 参考スコア（独自算出の注目度）: 7.739963375099786
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: The problem of link prediction is of active interest. The main approach to solving the link prediction problem is based on heuristics such as Common Neighbors (CN) -- more number of common neighbors of a pair of nodes implies a higher chance of them getting linked. In this article, we investigate this problem in the presence of higher-order relations. Surprisingly, it is found that CN works very well, and even better in the presence of higher-order relations. However, as we prove in the current work, this is due to the CN-heuristic overestimating its prediction abilities in the presence of higher-order relations. This statement is proved by considering a theoretical model for higher-order relations and by showing that AUC scores of CN are higher than can be achieved from the model. Theoretical justification in simple cases is also provided. Further, we extend our observations to other similar link prediction algorithms such as Adamic Adar. Finally, these insights are used to propose an adjustment factor by taking into conscience that a random graph would only have a best AUC score of 0.5. This adjustment factor allows for a better estimation of generalization scores.
• Abstract（参考訳）: リンク予測の問題はアクティブな関心事である。 リンク予測問題を解決する主なアプローチは、CN(Common Neighbors)のようなヒューリスティックな手法に基づいている。 本稿では,高次関係の存在下でこの問題を考察する。 驚くべきことに、CNは非常にうまく機能し、高次関係の存在下でさらに優れていることが判明した。 しかし、現在の研究で証明されているように、これは高次関係の存在下での予測能力の過大評価によるものである。 この主張は、高次関係の理論モデルを検討し、CNのAUCスコアがモデルから得られるよりも高いことを示すことによって証明される。 単純な場合の理論的正当化も提供される。 さらに、Adamic Adarのような類似のリンク予測アルゴリズムに我々の観測を拡張します。 最後に、これらの洞察はランダムグラフが0.5の最良のAUCスコアしか持たないという良心を取り入れて調整係数を提案するために用いられる。 この調整係数は一般化スコアのより良い推定を可能にする。

関連論文リスト

• Optimizing Long-tailed Link Prediction in Graph Neural Networks through Structure Representation Enhancement [10.391984756322433]
  リンク予測はグラフニューラルネットワーク(GNN)の基本課題である 近年の研究では, 疎結合による低次ノードの低次ノード性能が明らかにされている。 本稿では,リンク予測におけるテールノードペアの性能向上を目的とした,Long-tailed framework(LTLP)を提案する。
  論文  参考訳（メタデータ） (2024-07-30T02:20:38Z)
• Revisiting Link Prediction: A Data Perspective [59.296773787387224]
  グラフの基本的なタスクであるリンク予測は、友人の推薦、タンパク質分析、薬物相互作用予測など、様々な応用において不可欠であることが証明されている。 既存の文献の証拠は、すべてのデータセットに適した普遍的に最良のアルゴリズムが存在しないことを裏付けている。 我々は,局所的な構造的近接,大域的な構造的近接,特徴的近接という,リンク予測に不可欠な3つの基本的要因を認識する。
  論文  参考訳（メタデータ） (2023-10-01T21:09:59Z)
• Learning Complete Topology-Aware Correlations Between Relations for Inductive Link Prediction [121.65152276851619]
  関係性間の意味的相関は本質的にエッジレベルとエンティティ非依存であることを示す。 本研究では,関係関係のトポロジ・アウェア・コレレーションをモデル化するための新しいサブグラフベース手法,TACOを提案する。 RCNのポテンシャルをさらに活用するために, 完全コモンニアインダストリアルサブグラフを提案する。
  論文  参考訳（メタデータ） (2023-09-20T08:11:58Z)
• Reinforced Causal Explainer for Graph Neural Networks [112.57265240212001]
  グラフニューラルネットワーク(GNN)の探索には説明可能性が不可欠である 我々は強化学習エージェントReinforced Causal Explainer (RC-Explainer)を提案する。 RC-Explainerは忠実で簡潔な説明を生成し、グラフを見えなくするより優れたパワーを持つ。
  論文  参考訳（メタデータ） (2022-04-23T09:13:25Z)
• Generalizing Graph Neural Networks on Out-Of-Distribution Graphs [51.33152272781324]
  トレーニンググラフとテストグラフの分散シフトを考慮せずにグラフニューラルネットワーク(GNN)を提案する。 このような環境では、GNNは、たとえ素早い相関であるとしても、予測のためのトレーニングセットに存在する微妙な統計的相関を利用する傾向がある。 本稿では,スプリアス相関の影響を排除するため,StableGNNと呼ばれる一般的な因果表現フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-11-20T18:57:18Z)
• Link Prediction on N-ary Relational Facts: A Graph-based Approach [18.01071110085996]
  知識グラフ(KG)のリンク予測は重要な研究トピックである。 本稿では,n-項関係の事実に対するリンク予測を考察し,この課題に対するグラフベースアプローチを提案する。
  論文  参考訳（メタデータ） (2021-05-18T12:40:35Z)
• Link Prediction on N-ary Relational Data Based on Relatedness Evaluation [61.61555159755858]
  我々は,n-aryリレーショナルデータ上でリンク予測を行うNaLPという手法を提案する。 各 n 個の関係事実を、その役割と役割と値のペアの集合として表現する。 実験結果は,提案手法の有効性と有用性を検証した。
  論文  参考訳（メタデータ） (2021-04-21T09:06:54Z)
• Understanding Higher-order Structures in Evolving Graphs: A Simplicial Complex based Kernel Estimation Approach [22.818503693119315]
  高階構造予測法は主に特徴抽出法に基づいており、実際はうまく機能するが理論的保証がない。 我々は、時間プロセスの観点から、進化するグラフを眺める単純化のための非パラメトリックカーネル推定器を開発する。 提案手法は,いくつかのベースライン高次予測法より大幅に優れる。
  論文  参考訳（メタデータ） (2021-02-06T16:49:02Z)
• Generalized Relation Learning with Semantic Correlation Awareness for Link Prediction [29.23338194883254]
  本稿では,上記の2つの問題に対処する汎用関係学習フレームワークを提案する。 grlを用いた訓練により、ベクトル空間における意味的類似関係の密接性と類似関係の識別性が向上する。
  論文  参考訳（メタデータ） (2020-12-22T12:22:03Z)
• Causal Expectation-Maximisation [70.45873402967297]
  ポリツリーグラフを特徴とするモデルにおいても因果推論はNPハードであることを示す。 我々は因果EMアルゴリズムを導入し、分類的表現変数のデータから潜伏変数の不確かさを再構築する。 我々は、反事実境界が構造方程式の知識なしにしばしば計算できるというトレンドのアイデアには、目立たずの制限があるように思える。
  論文  参考訳（メタデータ） (2020-11-04T10:25:13Z)

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。