論文の概要: Graph Embedding with Hierarchical Attentive Membership
- arxiv url: http://arxiv.org/abs/2111.00604v1
- Date: Sun, 31 Oct 2021 22:00:48 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-02 16:17:36.687944
- Title: Graph Embedding with Hierarchical Attentive Membership
- Title（参考訳）: 階層的注意メンバーシップによるグラフ埋め込み
- Authors: Lu Lin, Ethan Blaser and Hongning Wang
- Abstract要約: ノードの潜在階層的なグループ化は、各ノードが特定のグループへのメンバシップを示す大局的な視点に存在する。
ほとんどの先行研究は、近傍構造をモデル化する際、そのような潜伏群と異なる群へのノードのメンバシップを無視する。
グラフ埋め込みのための新しい階層型注意型メンバシップモデルを提案し,各ノードの潜在メンバシップをその隣接状況に基づいて動的に発見する。
- 参考スコア（独自算出の注目度）: 35.998704625736394
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The exploitation of graph structures is the key to effectively learning
representations of nodes that preserve useful information in graphs. A
remarkable property of graph is that a latent hierarchical grouping of nodes
exists in a global perspective, where each node manifests its membership to a
specific group based on the context composed by its neighboring nodes. Most
prior works ignore such latent groups and nodes' membership to different
groups, not to mention the hierarchy, when modeling the neighborhood structure.
Thus, they fall short of delivering a comprehensive understanding of the nodes
under different contexts in a graph. In this paper, we propose a novel
hierarchical attentive membership model for graph embedding, where the latent
memberships for each node are dynamically discovered based on its neighboring
context. Both group-level and individual-level attentions are performed when
aggregating neighboring states to generate node embeddings. We introduce
structural constraints to explicitly regularize the inferred memberships of
each node, such that a well-defined hierarchical grouping structure is
captured. The proposed model outperformed a set of state-of-the-art graph
embedding solutions on node classification and link prediction tasks in a
variety of graphs including citation networks and social networks. Qualitative
evaluations visualize the learned node embeddings along with the inferred
memberships, which proved the concept of membership hierarchy and enables
explainable embedding learning in graphs.
- Abstract（参考訳）: グラフ構造の活用は、グラフで有用な情報を保持するノードの表現を効果的に学習する鍵である。
グラフの顕著な性質は、ノードの潜在階層的なグループ化がグローバルな視点に存在し、各ノードはその隣接ノードによって構成されるコンテキストに基づいて特定のグループへのメンバシップを示すことである。
ほとんどの先行研究は、近傍構造をモデル化する際、そのような潜伏群と異なる群へのノードのメンバーシップを無視している。
したがって、グラフ内の異なるコンテキスト下でのノードの包括的な理解を提供するには足りません。
本稿では,各ノードの潜在メンバシップを隣り合うコンテキストに基づいて動的に検出する,グラフ埋め込みのための階層的注意メンバシップモデルを提案する。
ノード埋め込みを生成するために隣接する状態を集約する際、グループレベルと個別レベルの注目の両方が実行される。
本稿では,各ノードの推論されたメンバシップを明示的に正規化するための構造的制約を導入する。
提案手法は,ノード分類とリンク予測タスクに関する最先端のグラフ埋め込みソリューション群を,引用ネットワークやソーシャルネットワークを含む多種多様なグラフで上回った。
定性的な評価は、学習したノードの埋め込みと推論されたメンバシップを視覚化し、メンバーシップ階層の概念を証明し、グラフに説明可能な埋め込み学習を可能にする。
関連論文リスト
- Semi-Supervised Hierarchical Graph Classification [54.25165160435073]
ノードがグラフのインスタンスである階層グラフにおけるノード分類問題について検討する。
本稿では階層グラフ相互情報(HGMI)を提案し,理論的保証をもってHGMIを計算する方法を提案する。
本稿では,この階層グラフモデリングとSEAL-CI法がテキストおよびソーシャルネットワークデータに与える影響を実証する。
論文 参考訳（メタデータ） (2022-06-11T04:05:29Z) - Joint Learning of Hierarchical Community Structure and Node
Representations: An Unsupervised Approach [15.379817564640712]
本稿では,階層的なコミュニティ構造とグラフのノード表現を教師なしで共同で学習するアルゴリズムであるMaziを紹介する。
本手法は,多種多様な合成および実世界のグラフ上で評価し,Maziが他の階層的および非階層的手法より優れていることを示す。
論文 参考訳（メタデータ） (2022-01-22T15:48:10Z) - SHGNN: Structure-Aware Heterogeneous Graph Neural Network [77.78459918119536]
本稿では、上記の制約に対処する構造対応不均一グラフニューラルネットワーク(SHGNN)を提案する。
まず,メタパス内の中間ノードの局所構造情報を取得するために,特徴伝搬モジュールを利用する。
次に、ツリーアテンションアグリゲータを使用して、グラフ構造情報をメタパス上のアグリゲーションモジュールに組み込む。
最後に、メタパスアグリゲータを利用して、異なるメタパスから集約された情報を融合する。
論文 参考訳（メタデータ） (2021-12-12T14:18:18Z) - 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) - Hierarchical Graph Capsule Network [78.4325268572233]
ノード埋め込みを共同で学習し,グラフ階層を抽出できる階層型グラフカプセルネットワーク(HGCN)を提案する。
階層的表現を学ぶために、HGCNは下層カプセル(部分)と高層カプセル(全体)の間の部分的関係を特徴付ける。
論文 参考訳（メタデータ） (2020-12-16T04:13:26Z) - Graph InfoClust: Leveraging cluster-level node information for
unsupervised graph representation learning [12.592903558338444]
本稿では,グラフ InfoClust というグラフ表現学習手法を提案する。
同社はさらに、クラスタレベルの情報コンテンツをキャプチャしようとしている。
この最適化により、ノード表現はよりリッチな情報とノイズ相互作用をキャプチャし、それによって品質が向上する。
論文 参考訳（メタデータ） (2020-09-15T09:33:20Z) - Graph Neural Networks with Composite Kernels [60.81504431653264]
カーネル重み付けの観点からノード集約を再解釈する。
本稿では,アグリゲーション方式における特徴類似性を考慮したフレームワークを提案する。
特徴空間における特徴類似性をエンコードするために,元の隣り合うカーネルと学習可能なカーネルの合成として特徴集約を提案する。
論文 参考訳（メタデータ） (2020-05-16T04:44:29Z) - Ego-based Entropy Measures for Structural Representations [42.37368082564481]
VNEstructは、低次元構造ノードの埋め込みを生成するための単純なアプローチである。
提案手法は各ノードの局所近傍に焦点をあて、フォン・ノイマンエントロピー(Von Neumann entropy)を用いる。
グラフ分類タスクでは、属性付きグラフ構造を拡張ノード属性の集合に変換するために生成された構造埋め込みの利用を提案する。
論文 参考訳（メタデータ） (2020-03-01T18:58:00Z) - Graph Inference Learning for Semi-supervised Classification [50.55765399527556]
半教師付きノード分類の性能を高めるためのグラフ推論学習フレームワークを提案する。
推論過程の学習には,トレーニングノードから検証ノードへの構造関係のメタ最適化を導入する。
4つのベンチマークデータセットの総合的な評価は、最先端の手法と比較して提案したGILの優位性を示している。
論文 参考訳（メタデータ） (2020-01-17T02:52:30Z)
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。