論文の概要: Link Prediction with Contextualized Self-Supervision

• arxiv url: http://arxiv.org/abs/2201.10069v1
• Date: Tue, 25 Jan 2022 03:12:32 GMT
• ステータス: 処理完了
• システム内更新日: 2022-01-26 16:14:49.570636
• Title: Link Prediction with Contextualized Self-Supervision
• Title（参考訳）: 文脈付き自己スーパービジョンによるリンク予測
• Authors: Daokun Zhang, Jie Yin and Philip S. Yu
• Abstract要約: リンク予測は、ネットワーク内の2つのノード間のリンクの存在を推測することを目的としている。 従来のリンク予測アルゴリズムは、リンク空間、ノード属性ノイズ、ネットワークダイナミクスという3つの大きな課題によって妨げられている。 本稿では,リンク予測のための構造的コンテキスト予測を完全に活用する,コンテキスト適応型自己監視学習フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 63.25455976593081
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Link prediction aims to infer the existence of a link between two nodes in a network. Despite their wide application, the success of traditional link prediction algorithms is hindered by three major challenges -- link sparsity, node attribute noise and network dynamics -- that are faced by real-world networks. To overcome these challenges, we propose a Contextualized Self-Supervised Learning (CSSL) framework that fully exploits structural context prediction for link prediction. The proposed CSSL framework forms edge embeddings through aggregating pairs of node embeddings constructed via a transformation on node attributes, which are used to predict the link existence probability. To generate node embeddings tailored for link prediction, structural context prediction is leveraged as a self-supervised learning task to boost link prediction. Two types of structural contexts are investigated, i.e., context nodes collected from random walks vs. context subgraphs. The CSSL framework can be trained in an end-to-end manner, with the learning of node and edge embeddings supervised by link prediction and the self-supervised learning task. The proposed CSSL is a generic and flexible framework in the sense that it can handle both transductive and inductive link prediction settings, and both attributed and non-attributed networks. Extensive experiments and ablation studies on seven real-world benchmark graph datasets demonstrate the superior performance of the proposed self-supervision based link prediction algorithm over state-of-the-art baselines on different types of networks under both transductive and inductive settings. The proposed CSSL also yields competitive performance in terms of its robustness to node attribute noise and scalability over large-scale networks.
• Abstract（参考訳）: リンク予測は、ネットワーク内の2つのノード間のリンクの存在を推測することを目的としている。 幅広い応用にもかかわらず、従来のリンク予測アルゴリズムの成功は、現実世界のネットワークが直面するリンクスパーシティ、ノード属性ノイズ、ネットワークダイナミクスの3つの大きな課題によって妨げられている。 これらの課題を克服するために、リンク予測のための構造的コンテキスト予測を完全に活用するコンテキスト適応型自己監視学習(CSSL)フレームワークを提案する。 提案したCSSLフレームワークは,ノード属性の変換によって構築されたノードの組込みを集約してエッジ埋め込みを形成し,リンクの存在確率を予測する。 リンク予測に適したノード埋め込みを生成するために、構造的コンテキスト予測を自己教師付き学習タスクとして活用してリンク予測を促進する。 ランダムウォークから収集したコンテキストノードとコンテキストサブグラフの2種類の構造コンテキストについて検討する。 CSSLフレームワークは、リンク予測と自己教師型学習タスクによって監視されるノードとエッジの埋め込みを学習することで、エンドツーエンドでトレーニングすることができる。 提案されているCSSLは、トランスダクティブリンク予測設定とインダクティブリンク予測設定の両方、属性ネットワークと非属性ネットワークの両方を扱えるという意味で、汎用的で柔軟なフレームワークである。 7つの実世界のベンチマークグラフデータセットに対する大規模な実験とアブレーション研究は、トランスダクティブとインダクティブの両方の設定下で異なるタイプのネットワーク上での最先端のベースラインよりも、提案した自己スーパービジョンベースのリンク予測アルゴリズムの優れた性能を示す。 提案したCSSLは、ノード属性ノイズと大規模ネットワーク上でのスケーラビリティに対する堅牢性の観点から、競争性能も向上する。

関連論文リスト

• Can GNNs Learn Link Heuristics? A Concise Review and Evaluation of Link Prediction Methods [16.428742189544955]
  本稿では,リンク予測のための各種情報学習におけるグラフニューラルネットワーク(GNN)の機能について検討する。 解析の結果,GNNは2つのノード間の共通隣接点数に関する構造情報を効果的に学習できないことがわかった。 また、トレーニング可能なノード埋め込みにより、GNNベースのリンク予測モデルの性能が向上することを示す。
  論文  参考訳（メタデータ） (2024-11-22T03:38:20Z)
• Domain-adaptive Message Passing Graph Neural Network [67.35534058138387]
  クロスネットワークノード分類(CNNC)は、豊富なラベルを持つソースネットワークから知識を転送することで、ラベル不足のターゲットネットワーク内のノードを分類することを目的としている。 本稿では,グラフニューラルネットワーク(GNN)と条件付き対向ドメイン適応を統合したドメイン適応型メッセージパッシンググラフニューラルネットワーク(DM-GNN)を提案する。
  論文  参考訳（メタデータ） (2023-08-31T05:26:08Z)
• Variational Disentangled Graph Auto-Encoders for Link Prediction [10.390861526194662]
  本稿では,DGAE(disentangled graph auto-encoder)とVDGAE(variantal disentangled graph auto-encoder)の2つの変種を持つ新しいフレームワークを提案する。 提案フレームワークは,グラフのエッジの原因となる潜伏因子を推定し,その表現を一意の潜伏因子に対応する複数のチャネルに分解する。
  論文  参考訳（メタデータ） (2023-06-20T06:25:05Z)
• Interpolation-based Correlation Reduction Network for Semi-Supervised Graph Learning [49.94816548023729]
  補間型相関低減ネットワーク(ICRN)と呼ばれる新しいグラフコントラスト学習手法を提案する。 提案手法では,決定境界のマージンを大きくすることで,潜在特徴の識別能力を向上させる。 この2つの設定を組み合わせることで、豊富なラベル付きノードと稀に価値あるラベル付きノードから豊富な監視情報を抽出し、離散表現学習を行う。
  論文  参考訳（メタデータ） (2022-06-06T14:26:34Z)
• BSAL: A Framework of Bi-component Structure and Attribute Learning for Link Prediction [33.488229191263564]
  トポロジや特徴空間からの情報を適応的に活用する二成分構造・属性学習フレームワーク(BSAL)を提案する。 BSALはノード属性を介してセマンティックトポロジを構築し、セマンティックビューに関する埋め込みを取得する。 ノード属性が持つ情報を適応的に組み込む、フレキシブルで実装が容易なソリューションを提供する。
  論文  参考訳（メタデータ） (2022-04-18T03:12:13Z)
• Learning Asymmetric Embedding for Attributed Networks via Convolutional Neural Network [19.611523749659355]
  AAGCNと呼ばれる畳み込みグラフニューラルネットワークに基づく新しい非対称属性ネットワーク埋め込みモデルを提案する。 主な考え方は、有向属性ネットワークの非対称な近接性と非対称な類似性を極大に保存することである。 ネットワーク再構成,リンク予測,ノード分類,可視化タスクのための実世界の3つのネットワーク上でのAAGCNの性能を検証した。
  論文  参考訳（メタデータ） (2022-02-13T13:35:15Z)
• BScNets: Block Simplicial Complex Neural Networks [79.81654213581977]
  グラフ学習における最新の方向性として、SNN(Simplicial Neural Network)が最近登場した。 リンク予測のためのBlock Simplicial Complex Neural Networks (BScNets) モデルを提案する。 BScNetsは、コストを抑えながら最先端のモデルよりも大きなマージンを保っている。
  論文  参考訳（メタデータ） (2021-12-13T17:35:54Z)
• Adversarial Robustness of Probabilistic Network Embedding for Link Prediction [24.335469995826244]
  リンク予測のための条件付きネットワーク埋め込み(CNE)の対角的ロバスト性について検討する。 ネットワークの小さな対向摂動に対するモデルのリンク予測の感度を測定した。 我々のアプローチでは、そのような摂動に最も弱いネットワーク内のリンクとリンクを識別できる。
  論文  参考訳（メタデータ） (2021-07-05T11:07:35Z)
• Interpretable Signed Link Prediction with Signed Infomax Hyperbolic Graph [54.03786611989613]
  ソーシャルネットワークにおけるサイン付きリンク予測は、ユーザ(すなわちノード)間の基盤となる関係(リンク)を明らかにすることを目的としている 我々は Signed Infomax Hyperbolic Graph (textbfSIHG) と呼ばれる統一されたフレームワークを開発する。 高次ユーザ関係と複雑な階層をモデル化するために、ノードの埋め込みを投影し、より低歪みの双曲空間で測定する。
  論文  参考訳（メタデータ） (2020-11-25T05:09:03Z)
• 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。