論文の概要: Investigating Neighborhood Modeling and Asymmetry Preservation in
Digraph Representation Learning
- arxiv url: http://arxiv.org/abs/2112.11734v1
- Date: Wed, 22 Dec 2021 08:50:55 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-23 14:38:49.140317
- Title: Investigating Neighborhood Modeling and Asymmetry Preservation in
Digraph Representation Learning
- Title（参考訳）: グラフ表現学習における近隣モデルと非対称性保存の検討
- Authors: Honglu Zhou, Advith Chegu, Samuel Sohn, Mubbasir Kapadia
- Abstract要約: Digraph Hyperbolic Network (D-HYPR) は、実世界のダイグラフの構造的・意味的歪みを避けるために、双曲空間におけるノード表現を学習する。
コードとデータは利用可能です。
- 参考スコア（独自算出の注目度）: 12.406793386672208
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Graph Neural Networks (GNNs) traditionally exhibit poor performance for
directed graphs (digraphs) due to notable challenges in 1) modeling
neighborhoods and 2) preserving asymmetry. In this paper, we address these
challenges in traditional GNNs by leveraging hyperbolic collaborative learning
from multi-ordered and partitioned neighborhoods, and regularizers inspired by
socio-psychological factors. Our resulting formalism, Digraph Hyperbolic
Network (D-HYPR) learns node representations in hyperbolic space to avoid
structural and semantic distortion of real-world digraphs. We conduct
comprehensive experimentation on 4 tasks: link prediction, node classification,
sign prediction, and embedding visualization. D-HYPR statistically
significantly outperforms the current state of the art on a majority of tasks
and datasets, while achieving competitive performance otherwise. Our code and
data will be available.
- Abstract（参考訳）: グラフニューラルネットワーク (gnns) は伝統的に有向グラフ (digraphs) の性能が低下している。
1)地区のモデリング
2)非対称性を保つ。
本稿では,多順序・分割地区からの双曲的協調学習と,社会心理学的要因に触発された正規化要因を活用することで,従来のGNNにおけるこれらの課題に対処する。
得られたフォーマリズムであるD-HYPR(Digraph Hyperbolic Network)は,実世界のダイグラフの構造的・意味的歪みを避けるために,双曲空間のノード表現を学習する。
リンク予測,ノード分類,サイン予測,埋め込み可視化の4つのタスクについて総合的な実験を行った。
D-HYPRは、ほとんどのタスクやデータセットにおいて、現在の技術よりも統計的に有意に優れており、他の方法では競争性能を達成している。
コードとデータは利用可能です。
関連論文リスト
- Enhanced Expressivity in Graph Neural Networks with Lanczos-Based Linear Constraints [7.605749412696919]
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の処理に優れるが、リンク予測タスクでは性能が劣ることが多い。
グラフラプラシア行列の固有基底に誘導された部分グラフを埋め込むことによりGNNの表現性を高める新しい手法を提案する。
提案手法は,PubMedとOGBL-Vesselのデータセットから,5%と10%のデータしか必要とせず,20倍と10倍の高速化を実現する。
論文 参考訳（メタデータ） (2024-08-22T12:22:00Z) - SIG: Efficient Self-Interpretable Graph Neural Network for Continuous-time Dynamic Graphs [34.269958289295516]
我々は,これらの予測の因果的説明を同時に提供しながら,動的グラフ内の将来のリンクを予測することを目的としている。
これらの課題に対処するため、我々は新たな因果推論モデル、すなわち独立因果推定モデル(ICCM)を提案する。
提案手法は, リンク予測精度, 説明精度, 特徴量に対するロバスト性など, 既存の手法よりも優れていた。
論文 参考訳（メタデータ） (2024-05-29T13:09:33Z) - Hypergraph-enhanced Dual Semi-supervised Graph Classification [14.339207883093204]
半教師付きグラフ分類のためのハイパーグラフ拡張DuALフレームワークHEALを提案する。
ノード間の高次関係をよりよく探求するために,複雑なノード依存を適応的に学習するハイパーグラフ構造を設計する。
学習したハイパーグラフに基づいて,ハイパーエッジ間の相互作用を捉える線グラフを導入する。
論文 参考訳（メタデータ） (2024-05-08T02:44:13Z) - 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) - EXPERT: Public Benchmarks for Dynamic Heterogeneous Academic Graphs [5.4744970832051445]
グラフ予測タスクのために開発されたモデルの有効性を検証するために,大規模で動的に異種な学術グラフを提案する。
我々の新しいデータセットは、人工知能(AI)と核拡散(NN)の2つのコミュニティにわたる科学出版物から抽出された文脈情報と内容情報の両方をカバーしている。
論文 参考訳（メタデータ） (2022-04-14T19:43:34Z) - Neural Graph Matching for Pre-training Graph Neural Networks [72.32801428070749]
グラフニューラルネットワーク(GNN)は、構造データのモデリングにおいて強力な能力を示している。
GMPTと呼ばれる新しいグラフマッチングベースのGNN事前学習フレームワークを提案する。
提案手法は,完全自己指導型プレトレーニングと粗粒型プレトレーニングに適用できる。
論文 参考訳（メタデータ） (2022-03-03T09:53:53Z) - Hyperbolic Graph Neural Networks: A Review of Methods and Applications [55.5502008501764]
グラフニューラルネットワークは、従来のニューラルネットワークをグラフ構造化データに一般化する。
グラフ関連学習におけるユークリッドモデルの性能は、ユークリッド幾何学の表現能力によって依然として制限されている。
近年,木のような構造を持つグラフデータ処理や,ゆるい分布の処理において,双曲空間が人気が高まっている。
論文 参考訳（メタデータ） (2022-02-28T15:08:48Z) - A Deep Latent Space Model for Graph Representation Learning [10.914558012458425]
本稿では,従来の潜時変動に基づく生成モデルをディープラーニングフレームワークに組み込むために,有向グラフのための深潜時空間モデル(DLSM)を提案する。
提案モデルは,階層的変動型オートエンコーダアーキテクチャによって階層的に接続されるグラフ畳み込みネットワーク(GCN)エンコーダとデコーダから構成される。
実世界のデータセットにおける実験により,提案モデルがリンク予測とコミュニティ検出の両タスクにおける最先端のパフォーマンスを達成することを示す。
論文 参考訳（メタデータ） (2021-06-22T12:41:19Z) - Hyperbolic Variational Graph Neural Network for Modeling Dynamic Graphs [77.33781731432163]
我々は,ノード表現の推論を目的とした双曲空間における動的グラフ表現を初めて学習する。
本稿では,HVGNNと呼ばれる新しいハイパーボリック変動グラフネットワークを提案する。
特に,動力学をモデル化するために,理論的に接地した時間符号化手法に基づく時間gnn(tgnn)を導入する。
論文 参考訳（メタデータ） (2021-04-06T01:44:15Z) - Towards Deeper Graph Neural Networks [63.46470695525957]
グラフ畳み込みは近傍の集約を行い、最も重要なグラフ操作の1つである。
いくつかの最近の研究で、この性能劣化は過度に滑らかな問題に起因している。
本研究では,大きな受容領域からの情報を適応的に組み込むディープ適応グラフニューラルネットワーク(DAGNN)を提案する。
論文 参考訳（メタデータ） (2020-07-18T01:11:14Z) - Learning to Extrapolate Knowledge: Transductive Few-shot Out-of-Graph
Link Prediction [69.1473775184952]
数発のアウトオブグラフリンク予測という現実的な問題を導入する。
我々は,新しいメタ学習フレームワークによってこの問題に対処する。
我々は,知識グラフの補完と薬物と薬物の相互作用予測のために,複数のベンチマークデータセット上でモデルを検証した。
論文 参考訳（メタデータ） (2020-06-11T17:42:46Z)
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。