論文の概要: A Method to Predict Semantic Relations on Artificial Intelligence Papers

• arxiv url: http://arxiv.org/abs/2201.10518v1
• Date: Mon, 24 Jan 2022 18:27:17 GMT
• ステータス: 処理完了
• システム内更新日: 2022-01-27 10:52:20.140664
• Title: A Method to Predict Semantic Relations on Artificial Intelligence Papers
• Title（参考訳）: 人工知能論文における意味的関係の予測法
• Authors: Francisco Andrades, Ricardo \~Nanculef
• Abstract要約: 本稿では,グラフニューラルネットワーク(Graph Neural Networks)と呼ばれる深層学習アプローチの新たなファミリに基づいて,大規模進化型ネットワークにおけるリンクの出現を予測するソリューションを提案する。 この課題の結果,計算効率のよい近似モデルを得るためには,厳密な制約を課す必要があっても,我々のソリューションは競争力があることが示された。 本稿では,ノードのサブグラフによる吸収と,より密度の高いサブグラフの結合という,関連する2つの異なるパターンを学習していることを示唆する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Predicting the emergence of links in large evolving networks is a difficult task with many practical applications. Recently, the Science4cast competition has illustrated this challenge presenting a network of 64.000 AI concepts and asking the participants to predict which topics are going to be researched together in the future. In this paper, we present a solution to this problem based on a new family of deep learning approaches, namely Graph Neural Networks. The results of the challenge show that our solution is competitive even if we had to impose severe restrictions to obtain a computationally efficient and parsimonious model: ignoring the intrinsic dynamics of the graph and using only a small subset of the nodes surrounding a target link. Preliminary experiments presented in this paper suggest the model is learning two related, but different patterns: the absorption of a node by a sub-graph and union of more dense sub-graphs. The model seems to excel at recognizing the first type of pattern.
• Abstract（参考訳）: 大規模ネットワークにおけるリンクの発生を予測することは、多くの実用的なアプリケーションにおいて難しい課題である。 最近、Science4castコンペティションは、64.000のAIコンセプトのネットワークを提示し、どのトピックが将来一緒に研究されるかを参加者に予測するよう求めている。 本稿では,グラフニューラルネットワーク(Graph Neural Networks)という,ディープラーニングアプローチの新たなファミリーに基づいて,この問題に対する解決策を提案する。 この課題の結果から,グラフの内在的ダイナミクスを無視し,ターゲットリンクを囲むノードの小さなサブセットのみを用いることで,計算的に効率的で相似的なモデルを得るためには,厳密な制約を課す必要が生じたとしても,我々のソリューションは競争力があることが示唆された。 本稿では,ノードのサブグラフによる吸収と,より密度の高いサブグラフの結合という,関連する2つの異なるパターンを学習していることを示唆する。 モデルは最初のタイプのパターンを認識するのに優れているようだ。

関連論文リスト

• One Model for One Graph: A New Perspective for Pretraining with Cross-domain Graphs [61.9759512646523]
  複雑なネットワークパターンをキャプチャする強力なツールとして、グラフニューラルネットワーク(GNN)が登場した。 既存のGNNには、慎重にドメイン固有のアーキテクチャ設計と、データセットのスクラッチからのトレーニングが必要です。 我々は、新しいクロスドメイン事前学習フレームワーク「1つのグラフのための1つのモデル」を提案する。
  論文  参考訳（メタデータ） (2024-11-30T01:49:45Z)
• Online Learning Of Expanding Graphs [14.952056744888916]
  本稿では,信号ストリームからグラフを拡張するためのオンラインネットワーク推論の問題に対処する。 ネットワークに加入したばかりのノードや,それまでのノードに対して,さまざまなタイプの更新を可能にする戦略を導入する。
  論文  参考訳（メタデータ） (2024-09-13T09:20:42Z)
• Investigating Neighborhood Modeling and Asymmetry Preservation in Digraph Representation Learning [12.406793386672208]
  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。
  論文  参考訳（メタデータ） (2021-12-22T08:50:55Z)
• Temporal Graph Network Embedding with Causal Anonymous Walks Representations [54.05212871508062]
  本稿では,時間グラフネットワークに基づく動的ネットワーク表現学習のための新しいアプローチを提案する。 評価のために、時間的ネットワーク埋め込みの評価のためのベンチマークパイプラインを提供する。 欧州の大手銀行が提供した実世界のダウンストリームグラフ機械学習タスクにおいて、我々のモデルの適用性と優れた性能を示す。
  論文  参考訳（メタデータ） (2021-08-19T15:39:52Z)
• Scalable Graph Neural Network Training: The Case for Sampling [4.9201378771958675]
  グラフニューラルネットワーク(Graph Neural Networks、GNN)は、グラフ上で学習を行うディープニューラルネットワークアーキテクチャの新しい、ますます普及しているファミリです。 グラフデータの不規則性から、効率的にトレーニングすることは難しい。 文献には、全グラフとサンプルベースのトレーニングという2つの異なるアプローチが登場した。
  論文  参考訳（メタデータ） (2021-05-05T20:44:10Z)
• Line Graph Neural Networks for Link Prediction [71.00689542259052]
  実世界の多くのアプリケーションにおいて古典的なグラフ解析問題であるグラフリンク予測タスクについて検討する。 このフォーマリズムでは、リンク予測問題をグラフ分類タスクに変換する。 本稿では,線グラフをグラフ理論に用いて,根本的に異なる新しい経路を求めることを提案する。 特に、線グラフの各ノードは、元のグラフのユニークなエッジに対応するため、元のグラフのリンク予測問題は、グラフ分類タスクではなく、対応する線グラフのノード分類問題として等価に解決できる。
  論文  参考訳（メタデータ） (2020-10-20T05:54:31Z)
• 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)
• Heterogeneous Graph Neural Networks for Malicious Account Detection [64.0046412312209]
  GEMは、悪意のあるアカウントを検出するための、最初の異種グラフニューラルネットワークである。 我々は、デバイス集約とアクティビティ集約という2つの基本的な弱点に基づいて、異種アカウントデバイスグラフから差別的埋め込みを学習する。 実験により、我々のアプローチは、時間とともに競合する手法と比較して、常に有望な結果が得られることが示された。
  論文  参考訳（メタデータ） (2020-02-27T18:26:44Z)

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。