論文の概要: A Comprehensive Analytical Survey on Unsupervised and Semi-Supervised
Graph Representation Learning Methods
- arxiv url: http://arxiv.org/abs/2112.10372v1
- Date: Mon, 20 Dec 2021 07:50:26 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-22 01:13:48.218341
- Title: A Comprehensive Analytical Survey on Unsupervised and Semi-Supervised
Graph Representation Learning Methods
- Title（参考訳）: 教師なし・半教師付きグラフ表現学習法に関する総合的分析
- Authors: Md. Khaledur Rahman and Ariful Azad
- Abstract要約: 本調査は,グラフ埋め込み手法のすべての主要なクラスを評価することを目的としている。
我々は,手動の特徴工学,行列分解,浅部ニューラルネットワーク,深部グラフ畳み込みネットワークなどの手法を含む分類学を用いてグラフ埋め込み手法を編成した。
我々はPyTorch GeometricおよびDGLライブラリ上で実験を設計し、異なるマルチコアCPUおよびGPUプラットフォーム上で実験を行った。
- 参考スコア（独自算出の注目度）: 4.486285347896372
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Graph representation learning is a fast-growing field where one of the main
objectives is to generate meaningful representations of graphs in
lower-dimensional spaces. The learned embeddings have been successfully applied
to perform various prediction tasks, such as link prediction, node
classification, clustering, and visualization. The collective effort of the
graph learning community has delivered hundreds of methods, but no single
method excels under all evaluation metrics such as prediction accuracy, running
time, scalability, etc. This survey aims to evaluate all major classes of graph
embedding methods by considering algorithmic variations, parameter selections,
scalability, hardware and software platforms, downstream ML tasks, and diverse
datasets. We organized graph embedding techniques using a taxonomy that
includes methods from manual feature engineering, matrix factorization, shallow
neural networks, and deep graph convolutional networks. We evaluated these
classes of algorithms for node classification, link prediction, clustering, and
visualization tasks using widely used benchmark graphs. We designed our
experiments on top of PyTorch Geometric and DGL libraries and run experiments
on different multicore CPU and GPU platforms. We rigorously scrutinize the
performance of embedding methods under various performance metrics and
summarize the results. Thus, this paper may serve as a comparative guide to
help users select methods that are most suitable for their tasks.
- Abstract（参考訳）: グラフ表現学習は、主要な目的の1つは、低次元空間におけるグラフの有意義な表現を生成することである。
学習された埋め込みは、リンク予測、ノード分類、クラスタリング、可視化などの様々な予測タスクにうまく適用されている。
グラフ学習コミュニティの集団的取り組みは何百もの方法を提供してきたが、予測精度、実行時間、スケーラビリティなど、すべての評価基準の下では、単一の方法が優れているものはない。
本調査は,アルゴリズムのバリエーション,パラメータの選択,拡張性,ハードウェアおよびソフトウェアプラットフォーム,下流MLタスク,多様なデータセットを考慮し,グラフ埋め込み手法のすべての主要なクラスを評価することを目的とする。
我々は,手動の特徴工学,行列分解,浅部ニューラルネットワーク,深部グラフ畳み込みネットワークなどの手法を含む分類学を用いてグラフ埋め込み手法を編成した。
広く使われているベンチマークグラフを用いて,ノード分類,リンク予測,クラスタリング,可視化タスクなどのアルゴリズムのクラスを評価した。
我々はPyTorch GeometricおよびDGLライブラリ上で実験を設計し、異なるマルチコアCPUおよびGPUプラットフォーム上で実験を行った。
各種性能指標に基づく埋め込み手法の性能を精査し,結果を要約する。
そこで本論文は,タスクに適したメソッドをユーザが選択するための比較ガイドとして機能する。
関連論文リスト
- SimTeG: A Frustratingly Simple Approach Improves Textual Graph Learning [131.04781590452308]
テキストグラフ学習におけるフラストレーションに富んだアプローチであるSimTeGを提案する。
まず、下流タスクで予め訓練されたLM上で、教師付きパラメータ効率の微調整(PEFT)を行う。
次に、微調整されたLMの最後の隠れ状態を用いてノード埋め込みを生成する。
論文 参考訳（メタデータ） (2023-08-03T07:00:04Z) - Bures-Wasserstein Means of Graphs [60.42414991820453]
本研究では,スムーズなグラフ信号分布の空間への埋め込みを通じて,グラフ平均を定義する新しいフレームワークを提案する。
この埋め込み空間において平均を求めることにより、構造情報を保存する平均グラフを復元することができる。
我々は,新しいグラフの意味の存在と特異性を確立し,それを計算するための反復アルゴリズムを提供する。
論文 参考訳（メタデータ） (2023-05-31T11:04:53Z) - State of the Art and Potentialities of Graph-level Learning [54.68482109186052]
グラフレベルの学習は、比較、回帰、分類など、多くのタスクに適用されている。
グラフの集合を学習する伝統的なアプローチは、サブストラクチャのような手作りの特徴に依存している。
ディープラーニングは、機能を自動的に抽出し、グラフを低次元表現に符号化することで、グラフレベルの学習をグラフの規模に適応させるのに役立っている。
論文 参考訳（メタデータ） (2023-01-14T09:15:49Z) - Hub-aware Random Walk Graph Embedding Methods for Classification [44.99833362998488]
ノード分類問題に特化して設計されたランダムウォークに基づく2つの新しいグラフ埋め込みアルゴリズムを提案する。
提案手法は,実世界のネットワークの埋め込みを訓練した3つの分類アルゴリズムの分類性能を解析して実験的に評価する。
論文 参考訳（メタデータ） (2022-09-15T20:41:18Z) - Effective and Efficient Graph Learning for Multi-view Clustering [173.8313827799077]
マルチビュークラスタリングのための効率的かつ効率的なグラフ学習モデルを提案する。
本手法はテンソルシャッテンp-ノルムの最小化により異なるビューのグラフ間のビュー類似性を利用する。
提案アルゴリズムは時間経済であり,安定した結果を得るとともに,データサイズによく対応している。
論文 参考訳（メタデータ） (2021-08-15T13:14:28Z) - A Robust and Generalized Framework for Adversarial Graph Embedding [73.37228022428663]
本稿では,AGE という逆グラフ埋め込みのための頑健なフレームワークを提案する。
AGEは、暗黙の分布から強化された負のサンプルとして偽の隣接ノードを生成する。
本フレームワークでは,3種類のグラフデータを扱う3つのモデルを提案する。
論文 参考訳（メタデータ） (2021-05-22T07:05:48Z) - Co-embedding of Nodes and Edges with Graph Neural Networks [13.020745622327894]
グラフ埋め込みは、高次元および非ユークリッド特徴空間でデータ構造を変換しエンコードする方法である。
CensNetは一般的なグラフ埋め込みフレームワークで、ノードとエッジの両方を潜在機能空間に埋め込む。
提案手法は,4つのグラフ学習課題における最先端のパフォーマンスを達成または一致させる。
論文 参考訳（メタデータ） (2020-10-25T22:39:31Z) - Self-supervised Auxiliary Learning with Meta-paths for Heterogeneous
Graphs [21.617020380894488]
ヘテロジニアスグラフ上のグラフニューラルネットワークを学習するための,新しい自己教師付き補助学習法を提案する。
本手法は,任意のグラフニューラルネットワークに対して,手動ラベリングや追加データなしでプラグイン方式で適用することができる。
論文 参考訳（メタデータ） (2020-07-16T12:32:11Z) - GCC: Graph Contrastive Coding for Graph Neural Network Pre-Training [62.73470368851127]
グラフ表現学習は現実世界の問題に対処する強力な手法として登場した。
自己教師付きグラフニューラルネットワーク事前トレーニングフレームワークであるGraph Contrastive Codingを設計する。
3つのグラフ学習タスクと10のグラフデータセットについて実験を行った。
論文 参考訳（メタデータ） (2020-06-17T16:18:35Z) - Distance Metric Learning for Graph Structured Data [23.3700989820887]
グラフ分類問題に対する教師付き距離メトリック学習法を提案する。
本手法は,IGML (Interpretable graph metric learning) と命名され,サブグラフに基づく特徴空間における識別的指標を学習する。
いくつかのベンチマークデータセットを用いて,IGMLの計算効率と分類性能を実験的に評価した。
論文 参考訳（メタデータ） (2020-02-03T13:42:43Z)
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。