論文の概要: AHP: Learning to Negative Sample for Hyperedge Prediction

• arxiv url: http://arxiv.org/abs/2204.06353v1
• Date: Wed, 13 Apr 2022 13:09:35 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-14 14:06:45.850066
• Title: AHP: Learning to Negative Sample for Hyperedge Prediction
• Title（参考訳）: AHP: ハイパーエッジ予測のための負のサンプルを学ぶ
• Authors: Hyunjin Hwang, Seungwoo Lee, Chanyoung Park, and Kijung Shin
• Abstract要約: 逆トレーニングに基づくハイパーエッジ予測法であるAHPを提案する。 いかなるスキームにも依存せずに、ネガティブな例をサンプリングすることを学ぶ。 既存の方法よりも最大28.2%高いAUROCが得られる。
• 参考スコア（独自算出の注目度）: 14.830450801473459
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Hypergraphs (i.e., sets of hyperedges) naturally represent group relations (e.g., researchers co-authoring a paper and ingredients used together in a recipe), each of which corresponds to a hyperedge (i.e., a subset of nodes). Predicting future or missing hyperedges bears significant implication for many applications (e.g., collaboration and recipe recommendation). What makes hyperedge prediction particularly challenging is the vast number of non-hyperedge subsets, which grows exponentially with the number of nodes. Since it is prohibitive to use all of them as negative examples for model training, it is inevitable to sample a very small portion of them, and to this end, heuristic sampling schemes have been employed. However, trained models suffer from poor generalization capability for examples of different natures. In this paper, we propose AHP, an adversarial training-based hyperedge-prediction method. It learns to sample negative examples without relying on any heuristic schemes. Using six real hypergraphs, we show that AHP generalizes better to negative examples of various natures. It yields up to 28.2% higher AUROC than best existing methods and often even outperforms its variants with sampling schemes tailored to test sets.
• Abstract（参考訳）: ハイパーグラフ(すなわちハイパーエッジの集合)は、自然にグループ関係(例えば、研究者は、論文とレシピで使用される材料を共著)を表し、それぞれがハイパーエッジ(すなわちノードのサブセット)に対応する。 将来または不足するハイパーエッジを予測することは、多くのアプリケーション(例えば、コラボレーションとレシピレコメンデーション)に重大な意味を持つ。 ハイパーエッジ予測が特に難しいのは、ノード数で指数関数的に増加する非ハイパーエッジサブセットの数が膨大であることです。 これら全てをモデルトレーニングの否定的な例として使用することは禁じられているため、ごく少数のサンプルを採取することは避けられず、最終的にはヒューリスティックなサンプリングスキームが採用されている。 しかし、訓練されたモデルは、異なる性質の例の一般化能力に乏しい。 本稿では,adversarial training-based hyperedge-prediction 法である ahp を提案する。 ヒューリスティックなスキームに頼ることなく、負の例をサンプリングすることを学ぶ。 6つの実ハイパーグラフを用いて、AHPは様々な性質の負の例に対してより一般化していることを示す。 既存の方法よりも最大28.2%高いAUROCが得られ、しばしばテストセットに適したサンプリングスキームでその変種を上回ります。

関連論文リスト

• Scalable and Effective Negative Sample Generation for Hyperedge Prediction [55.9298019975967]
  ハイパーエッジ予測は、Webベースのアプリケーションにおける複雑なマルチエンタリティ相互作用を理解するために不可欠である。 従来の手法では、正と負のインスタンスの不均衡により、高品質な負のサンプルを生成するのが困難であることが多い。 本稿では,これらの課題に対処するために拡散モデルを利用するハイパーエッジ予測(SEHP)フレームワークのスケーラブルで効果的な負のサンプル生成について述べる。
  論文  参考訳（メタデータ） (2024-11-19T09:16:25Z)
• Enhancing Hyperedge Prediction with Context-Aware Self-Supervised Learning [64.46188414653204]
  我々は新しいハイパーエッジ予測フレームワーク(CASH)を提案する。 CASHは、コンテキスト認識ノードアグリゲーションを用いて、(C1)ハイパーエッジの各ノード間の複雑な関係をキャプチャし、(2)ハイパーエッジ予測のコンテキストにおける自己教師付きコントラスト学習を行い、(C2)ハイパーグラフ表現を強化する。 6つの実世界のハイパーグラフの実験により、CASHはハイパーエッジ予測の精度で競合する全ての手法を一貫して上回っていることが明らかとなった。
  論文  参考訳（メタデータ） (2023-09-11T20:06:00Z)
• Bias Mimicking: A Simple Sampling Approach for Bias Mitigation [57.17709477668213]
  本稿では,新しいクラス条件サンプリング手法であるBias Mimickingを紹介する。 Bias Mimickingは、4つのベンチマークで3%の精度でサンプリングの精度を向上する。
  論文  参考訳（メタデータ） (2022-09-30T17:33:00Z)
• Language Model-driven Negative Sampling [8.299192665823542]
  知識グラフ埋め込み(KGE)は、究極の下流タスク(リンク予測、質問応答)の表現学習と推論を目的として、知識グラフ(KG)の実体と関係をベクトル空間に符号化する。 KGE はクローズドワールドの仮定に従い、KG の現在のすべての事実を正(正)であると仮定するので、既存の三重項の真性テストの学習過程において、負のサンプルを必要とする。 そこで本稿では,KGsにおける既存のリッチテキスト知識を考慮したネガティブサンプリング手法を提案する。
  論文  参考訳（メタデータ） (2022-03-09T13:27:47Z)
• Scalable Personalised Item Ranking through Parametric Density Estimation [53.44830012414444]
  暗黙のフィードバックから学ぶことは、一流問題の難しい性質のために困難です。 ほとんどの従来の方法は、一級問題に対処するためにペアワイズランキングアプローチとネガティブサンプラーを使用します。 本論文では,ポイントワイズと同等の収束速度を実現する学習対ランクアプローチを提案する。
  論文  参考訳（メタデータ） (2021-05-11T03:38:16Z)
• When Hearst Is not Enough: Improving Hypernymy Detection from Corpus with Distributional Models [59.46552488974247]
  本稿では,大きなテキストコーパスの助けを借りて,単語 (x, y) 間のis-a関係が存在するかどうかを論じる。 近年の研究では、大規模なハーストペアを抽出して給餌し、目に見えない(x, y)ペアの親和性が緩和された場合、パターンベースのペアの方が優れていることが示唆されている。 本稿では,これらの特定の事例の非無視的存在を初めて定量化し,その場合の分布法がパターンベースの事例を補うのに最適であることを示す。
  論文  参考訳（メタデータ） (2020-10-10T08:34:19Z)
• SCE: Scalable Network Embedding from Sparsest Cut [20.08464038805681]
  大規模ネットワーク埋め込みは、教師なしの方法で各ノードの潜在表現を学習することである。 このような対照的な学習手法の成功の鍵は、正と負のサンプルを引き出す方法である。 本稿では, 負のサンプルのみを用いた教師なしネットワーク埋め込みのためのSCEを提案する。
  論文  参考訳（メタデータ） (2020-06-30T03:18:15Z)
• Hypermodels for Exploration [27.66567077899924]
  本研究では,不確実性を表現し,探索のガイドとなるハイパーモデルについて検討する。 これは、トンプソンサンプリングを近似するためにアンサンブルの使用を一般化し拡張する。 代替ハイパーモデルは劇的な効率向上を享受できることを示す。
  論文  参考訳（メタデータ） (2020-06-12T20:59:21Z)
• Robust and On-the-fly Dataset Denoising for Image Classification [72.10311040730815]
  On-the-fly Data Denoising (ODD)は、間違ったラベルの例に対して堅牢だが、通常のトレーニングと比べて計算オーバーヘッドはほぼゼロである。 ODDはWebVisionやClothing1Mといった現実世界のデータセットを含む、幅広いデータセットで最先端の結果を達成することができる。
  論文  参考訳（メタデータ） (2020-03-24T03:59:26Z)

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。