論文の概要: Neighbor2vec: an efficient and effective method for Graph Embedding
- arxiv url: http://arxiv.org/abs/2201.02626v1
- Date: Fri, 7 Jan 2022 16:08:26 GMT
- ステータス: 処理完了
- システム内更新日: 2022-01-11 17:34:30.645527
- Title: Neighbor2vec: an efficient and effective method for Graph Embedding
- Title(参考訳): Neighbor2vec:グラフ埋め込みの効率的かつ効果的な方法
- Authors: Zhiming Lin
- Abstract要約: Neighbor2vecは、ノードとその隣人の特徴伝搬によって構造情報を収集するフレームワークである。
ネットワークのノード分類とリンク予測タスクについて実験を行った。
Neighbor2vecの表現は、競合する手法よりも平均6.8%高いスコアを提供する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Graph embedding techniques have led to significant progress in recent years.
However, present techniques are not effective enough to capture the patterns of
networks. This paper propose neighbor2vec, a neighbor-based sampling strategy
used algorithm to learn the neighborhood representations of node, a framework
to gather the structure information by feature propagation between the node and
its neighbors. We claim that neighbor2vec is a simple and effective approach to
enhancing the scalability as well as equality of graph embedding, and it breaks
the limits of the existing state-of-the-art unsupervised techniques. We conduct
experiments on several node classification and link prediction tasks for
networks such as ogbn-arxiv, ogbn-products, ogbn-proteins, ogbl-ppa,ogbl-collab
and ogbl-citation2. The result shows that Neighbor2vec's representations
provide an average accuracy scores up to 6.8 percent higher than competing
methods in node classification tasks and 3.0 percent higher in link prediction
tasks. The neighbor2vec's representations are able to outperform all baseline
methods and two classical GNN models in all six experiments.
- Abstract(参考訳): グラフ埋め込み技術は近年大きな進歩を遂げている。
しかし、現在の技術はネットワークのパターンを捉えるのに十分ではない。
本稿では,ノードと隣接ノード間の特徴伝達によって構造情報を収集する枠組みであるノードの近傍表現を学習するために,近傍に基づくサンプリング戦略であるnearne2vecを提案する。
neighbor2vecは、グラフ埋め込みの平等だけでなく、スケーラビリティを向上させるためのシンプルで効果的なアプローチであり、既存の最先端の教師なしテクニックの限界を破ります。
ogbn-arxiv,ogbn-products,ogbn-proteins,ogbl-ppa,ogbl-collab,ogbl-citation2などのネットワークのノード分類およびリンク予測タスクについて実験を行った。
その結果、nearne2vecの表現は、ノード分類タスクの競合メソッドよりも最大6.8%、リンク予測タスクでは3.0%高い平均精度を示している。
隣接する2vecの表現は、6つの実験で全てのベースラインメソッドと2つの古典的なgnnモデルを上回ることができる。
関連論文リスト
- Efficient Heterogeneous Graph Learning via Random Projection [58.4138636866903]
不均一グラフニューラルネットワーク(HGNN)は、異種グラフを深層学習するための強力なツールである。
最近のプリ計算ベースのHGNNは、一時間メッセージパッシングを使用して不均一グラフを正規形テンソルに変換する。
我々はRandom Projection Heterogeneous Graph Neural Network (RpHGNN) というハイブリッド計算前HGNNを提案する。
論文 参考訳(メタデータ) (2023-10-23T01:25:44Z) - Nonlinear Correct and Smooth for Semi-Supervised Learning [1.622641093702668]
グラフベースの半教師付き学習(GSSL)は様々なアプリケーションで成功している。
非線型表現と高次表現を組み込むことで、既存の後処理アプローチを改善するCorrect and Smooth (NLCS)を提案する。
論文 参考訳(メタデータ) (2023-10-09T14:33:32Z) - Neighborhood Homophily-based Graph Convolutional Network [4.511171093050241]
グラフニューラルネットワーク(GNN)は、グラフ指向のタスクにおいて強力であることが証明されている。
多くの実世界のグラフは異性を持ち、古典的なGNNのホモフィリーな仮定に挑戦する。
最近の研究では、ホモフィリーを特徴付ける新しい指標を提案するが、提案する指標とモデルの相関を考えることは稀である。
本稿ではまず,ノード近傍におけるラベルの複雑さや純度を測定するため,新しい指標であるNeighborhood Homophily(textitNH)を設計する。
論文 参考訳(メタデータ) (2023-01-24T07:56:44Z) - 2-hop Neighbor Class Similarity (2NCS): A graph structural metric
indicative of graph neural network performance [4.051099980410583]
グラフニューラルネットワーク(GNN)は、多数のドメインにわたるグラフ構造化データに対して最先端のパフォーマンスを実現する。
異なるタイプのノードが接続されるヘテロ親和性グラフでは、GNNは一貫して機能しない。
2-hop Neighbor Class similarity (2NCS) は、GNNのパフォーマンスと、他の指標よりも強く、一貫して相関する新しい定量的グラフ構造特性である。
論文 参考訳(メタデータ) (2022-12-26T16:16:51Z) - Exploiting Neighbor Effect: Conv-Agnostic GNNs Framework for Graphs with
Heterophily [58.76759997223951]
我々はフォン・ノイマンエントロピーに基づく新しい計量を提案し、GNNのヘテロフィリー問題を再検討する。
また、異種データセット上でのほとんどのGNNの性能を高めるために、Conv-Agnostic GNNフレームワーク(CAGNN)を提案する。
論文 参考訳(メタデータ) (2022-03-19T14:26:43Z) - Noise-robust Graph Learning by Estimating and Leveraging Pairwise
Interactions [123.07967420310796]
本稿では,グラフ上のノイズノード分類のためのペアワイズフレームワークを提案することにより,そのギャップを埋める。
PI-GNNは、ノイズの多いノードクラスラベルからのポイントワイズ学習に加えて、PIを一次学習プロキシとして依存している。
提案するフレームワークPI-GNNは,(1)PIラベルを適応的に推定する信頼度を考慮したPI推定モデル,(2)PIラベルを推定する疎結合トレーニング手法の2つの新しい構成要素に寄与する。
論文 参考訳(メタデータ) (2021-06-14T14:23:08Z) - Higher-Order Attribute-Enhancing Heterogeneous Graph Neural Networks [67.25782890241496]
異種ネットワーク表現学習のための高次属性強化グラフニューラルネットワーク(HAEGNN)を提案する。
HAEGNNは、リッチで異質なセマンティクスのためのメタパスとメタグラフを同時に組み込む。
ノード分類、ノードクラスタリング、可視化における最先端の手法よりも優れたパフォーマンスを示す。
論文 参考訳(メタデータ) (2021-04-16T04:56:38Z) - Bilinear Graph Neural Network with Neighbor Interactions [106.80781016591577]
グラフニューラルネットワーク(GNN)は,グラフデータ上で表現を学習し,予測を行う強力なモデルである。
本稿では,グラフ畳み込み演算子を提案し,隣接するノードの表現の対の相互作用で重み付け和を増大させる。
このフレームワークをBGNN(Bilinear Graph Neural Network)と呼び、隣ノード間の双方向相互作用によるGNN表現能力を向上させる。
論文 参考訳(メタデータ) (2020-02-10T06:43:38Z) - Graph Neighborhood Attentive Pooling [0.5493410630077189]
ネットワーク表現学習(NRL)は,高次元およびスパースグラフの低次元ベクトル表現を学習するための強力な手法である。
本稿では,ノード近傍の異なる部分への入場を注意型プールネットワークを用いて学習するGAPと呼ばれる新しい文脈依存アルゴリズムを提案する。
論文 参考訳(メタデータ) (2020-01-28T15:05:48Z) - 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。