論文の概要: Pairwise Learning for Neural Link Prediction

• arxiv url: http://arxiv.org/abs/2112.02936v2
• Date: Tue, 7 Dec 2021 14:30:07 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-08 12:00:23.825809
• Title: Pairwise Learning for Neural Link Prediction
• Title（参考訳）: ニューラルネットワーク予測のためのペアワイズ学習
• Authors: Zhitao Wang, Yong Zhou, Litao Hong, Yuanhang Zou and Hanjing Su
• Abstract要約: このフレームワークは、リンク予測をペアワイズ学習として扱い、問題をランク付けする。 周辺エンコーダ、リンク予測器、負のサンプリング器、客観的関数の4つの主成分から構成される。 提案するPLNLPフレームワークをOpen Graph Benchmarkの4つのリンク特性予測データセット上で評価する。
• 参考スコア（独自算出の注目度）: 8.47851935836378
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this paper, we aim at providing an effective Pairwise Learning Neural Link Prediction (PLNLP) framework. The framework treats link prediction as a pairwise learning to rank problem and consists of four main components, i.e., neighborhood encoder, link predictor, negative sampler and objective function. The framework is flexible that any generic graph neural convolution or link prediction specific neural architecture could be employed as neighborhood encoder. For link predictor, we design different scoring functions, which could be selected based on different types of graphs. In negative sampler, we provide several sampling strategies, which are problem specific. As for objective function, we propose to use an effective ranking loss, which approximately maximizes the standard ranking metric AUC. We evaluate the proposed PLNLP framework on 4 link property prediction datasets of Open Graph Benchmark, including ogbl-ddi, ogbl-collab, ogbl-ppa and ogbl-ciation2. PLNLP achieves Top 1 performance on ogbl-ddi, and Top 2 performance on ogbl-collab and ogbl-ciation2 only with basic neural architecture. The performance demonstrates the effectiveness of PLNLP.
• Abstract（参考訳）: 本稿では,効果的なペアワイズ学習ニューラルネットワーク予測(plnlp)フレームワークを提供することを目的としている。 このフレームワークは、リンク予測を問題をランク付けするためのペアワイズ学習として扱い、近隣エンコーダ、リンク予測器、負のサンプリング器、客観的関数の4つの主要コンポーネントから構成される。 このフレームワークは、任意の汎用グラフニューラル畳み込みやリンク予測固有のニューラルアーキテクチャを近隣エンコーダとして使用することができる。 リンク予測のために、異なる種類のグラフに基づいて選択できる異なるスコアリング関数を設計した。 負のサンプラーでは、問題固有のいくつかのサンプリング戦略を提供する。 目的関数については,標準ランキング基準AUCをほぼ最大化する効果的なランキング損失を用いることを提案する。 提案するPLNLPフレームワークは, ogbl-ddi, ogbl-collab, ogbl-ppa, ogbl-ciation2を含むOpen Graph Benchmarkの4つのリンク特性予測データセット上で評価する。 PLNLPはogbl-ddiでトップ1、ogbl-collabとogbl-ciation2でトップ2のパフォーマンスは基本的なニューラルネットワークアーキテクチャでのみ達成している。 この性能はplnlpの有効性を示す。

関連論文リスト

• Less is More: One-shot Subgraph Reasoning on Large-scale Knowledge Graphs [49.547988001231424]
  効率的かつ適応的な予測を実現するために,ワンショットサブグラフリンク予測を提案する。 設計原理は、KG全体に直接作用する代わりに、予測手順を2つのステップに分離する。 5つの大規模ベンチマークにおいて,効率の向上と性能の向上を実現している。
  論文  参考訳（メタデータ） (2024-03-15T12:00:12Z)
• 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)
• GIPA++: A General Information Propagation Algorithm for Graph Learning [34.0393139910052]
  グラフニューラルネットワーク(GNN)は、グラフ構造化データ計算に広く利用されている。 よりきめ細かい情報融合を利用する汎用情報伝搬アルゴリズム(GIPA)を提案する。 GIPAは、その伝播におけるエッジ特徴に基づくビットワイドと特徴ワイドの相関を利用する。
  論文  参考訳（メタデータ） (2023-01-19T18:00:51Z)
• Line Graph Contrastive Learning for Link Prediction [4.876567687745239]
  多視点情報を得るために,Line Graph Contrastive Learning (LGCL)法を提案する。 6つの公開データセットの実験により、LGCLはリンク予測タスクの現在のベンチマークを上回っている。
  論文  参考訳（メタデータ） (2022-10-25T06:57:00Z)
• Revisiting Neighborhood-based Link Prediction for Collaborative Filtering [3.7403495150710384]
  協調フィルタリングはレコメンデーションシステムにおいて最も成功し基礎的な手法の1つである。 両部グラフの新しいリンク(接続性)スコアを提案し、複数の標準リンク予測手法を一般化する。 提案手法は,既存のGNNベースのCFアプローチを,広く使用されている4つのベンチマークで大幅に上回っている。
  論文  参考訳（メタデータ） (2022-03-29T17:48:05Z)
• GIPA: General Information Propagation Algorithm for Graph Learning [3.228614352581043]
  属性付きグラフデータ学習のための新しいグラフ注目ニューラルネットワーク、すなわちGIPAを紹介します。 GIPAは3つの重要なコンポーネントで構成されている。 Open Graph Benchmark protein データセットを用いてGIPAの性能を評価する。
  論文  参考訳（メタデータ） (2021-05-13T01:50:43Z)
• Bootstrapped Representation Learning on Graphs [37.62546075583656]
  グラフニューラルネットワーク(GNN)の最先端の自己教師型学習手法は,コントラスト学習に基づいている。 BYOLにインスパイアされたBootstrapped Graph Latents, BGRLは,自己監視型グラフ表現手法である。 BGRLは、いくつかの確立されたベンチマークデータセットの以前の監視されていない最新の結果を上回るか、一致させます。
  論文  参考訳（メタデータ） (2021-02-12T13:36:39Z)
• Deep Reinforcement Learning of Graph Matching [63.469961545293756]
  ノードとペアの制約下でのグラフマッチング(GM)は、最適化からコンピュータビジョンまでの領域におけるビルディングブロックである。 GMのための強化学習ソルバを提案する。 rgmはペアワイズグラフ間のノード対応を求める。 本手法は,フロントエンドの特徴抽出と親和性関数学習に焦点をあてるという意味において,従来のディープグラフマッチングモデルと異なる。
  論文  参考訳（メタデータ） (2020-12-16T13:48:48Z)
• CatGCN: Graph Convolutional Networks with Categorical Node Features [99.555850712725]
  CatGCNはグラフ学習に適したノード機能である。 エンドツーエンドでCatGCNを訓練し、半教師付きノード分類でそれを実証する。
  論文  参考訳（メタデータ） (2020-09-11T09:25:17Z)
• Heuristic Semi-Supervised Learning for Graph Generation Inspired by Electoral College [80.67842220664231]
  本稿では,新たなノードやエッジを自動的に拡張して,高密度サブグラフ内のラベル類似性を向上する,新しい前処理手法であるElectoral College(ELCO)を提案する。 テストされたすべての設定において、我々の手法はベースモデルの平均スコアを4.7ポイントの広いマージンで引き上げるとともに、常に最先端のモデルよりも優れています。
  論文  参考訳（メタデータ） (2020-06-10T14:48:48Z)
• Unifying Graph Convolutional Neural Networks and Label Propagation [73.82013612939507]
  LPAとGCNの関係を特徴・ラベルの平滑化と特徴・ラベルの影響の2点の観点から検討した。 理論解析に基づいて,ノード分類のためのGCNとLCAを統一するエンドツーエンドモデルを提案する。 我々のモデルは、既存の特徴に基づく注目モデルよりもタスク指向のノードラベルに基づく学習注意重みと見なすこともできる。
  論文  参考訳（メタデータ） (2020-02-17T03:23:13Z)

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。