論文の概要: BSAL: A Framework of Bi-component Structure and Attribute Learning for Link Prediction

• arxiv url: http://arxiv.org/abs/2204.09508v1
• Date: Mon, 18 Apr 2022 03:12:13 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-21 13:26:30.466108
• Title: BSAL: A Framework of Bi-component Structure and Attribute Learning for Link Prediction
• Title（参考訳）: bsal: リンク予測のための二成分構造と属性学習のフレームワーク
• Authors: Bisheng Li, Min Zhou, Shengzhong Zhang, Menglin Yang, Defu Lian, Zengfeng Huang
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 33.488229191263564
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Given the ubiquitous existence of graph-structured data, learning the representations of nodes for the downstream tasks ranging from node classification, link prediction to graph classification is of crucial importance. Regarding missing link inference of diverse networks, we revisit the link prediction techniques and identify the importance of both the structural and attribute information. However, the available techniques either heavily count on the network topology which is spurious in practice or cannot integrate graph topology and features properly. To bridge the gap, we propose a bicomponent structural and attribute learning framework (BSAL) that is designed to adaptively leverage information from topology and feature spaces. Specifically, BSAL constructs a semantic topology via the node attributes and then gets the embeddings regarding the semantic view, which provides a flexible and easy-to-implement solution to adaptively incorporate the information carried by the node attributes. Then the semantic embedding together with topology embedding is fused together using an attention mechanism for the final prediction. Extensive experiments show the superior performance of our proposal and it significantly outperforms baselines on diverse research benchmarks.
• Abstract（参考訳）: グラフ構造データのユビキタスな存在を考えると、ノード分類からグラフ分類までの下流タスクのノードの表現を学習することが重要である。 多様なネットワークの欠落リンク推定について,リンク予測手法を再検討し,構造情報と属性情報の両方の重要性を明らかにした。 しかし、利用可能な技術はネットワークトポロジーに大きく依存するか、グラフトポロジーと機能を適切に統合できないかのどちらかである。 このギャップを埋めるために,トポロジと特徴空間からの情報を適応的に活用するbsal(bicomponent structural and attribute learning framework)を提案する。 具体的には、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し、ノード属性が持つ情報を適応的に取り入れるフレキシブルで実装しやすいソリューションを提供する。 そして、最終予測のための注意機構を用いて、トポロジー埋め込みと共に意味埋め込みを融合する。 広範な実験により,提案手法の優れた性能が示され,各種研究ベンチマークのベースラインを著しく上回っている。

関連論文リスト

• On the Impact of Feature Heterophily on Link Prediction with Graph Neural Networks [12.26334940017605]
  ネットワーク内の接続ノードが異なるクラスラベルや異種特徴を持つ傾向は、多くのグラフニューラルネットワーク(GNN)モデルでは難しいと認識されている。 本稿では,リンク予測タスクに着目し,ノード特徴がGNN性能に与える影響を系統的に解析する。
  論文  参考訳（メタデータ） (2024-09-26T02:19:48Z)
• Learning to Model Graph Structural Information on MLPs via Graph Structure Self-Contrasting [50.181824673039436]
  本稿では,グラフ構造情報をメッセージパッシングなしで学習するグラフ構造自己コントラスト(GSSC)フレームワークを提案する。 提案するフレームワークは,構造情報を事前知識として暗黙的にのみ組み込む,MLP(Multi-Layer Perceptrons)に基づいている。 これはまず、近傍の潜在的非形式的あるいはノイズの多いエッジを取り除くために構造的スペーシングを適用し、その後、スペーシングされた近傍で構造的自己コントラストを行い、ロバストなノード表現を学ぶ。
  論文  参考訳（メタデータ） (2024-09-09T12:56:02Z)
• A Pure Transformer Pretraining Framework on Text-attributed Graphs [50.833130854272774]
  グラフ構造を先行として扱うことで,特徴中心の事前学習の視点を導入する。 我々のフレームワークであるGraph Sequence Pretraining with Transformer (GSPT)はランダムウォークを通してノードコンテキストをサンプリングする。 GSPTはノード分類とリンク予測の両方に容易に適応でき、様々なデータセットで有望な経験的成功を示す。
  論文  参考訳（メタデータ） (2024-06-19T22:30:08Z)
• Node Classification via Semantic-Structural Attention-Enhanced Graph Convolutional Networks [0.9463895540925061]
  SSA-GCN(Semantic-structure attention-enhanced graph convolutional Network)を導入する。 グラフ構造をモデル化するだけでなく、分類性能を高めるために一般化されていない特徴を抽出する。 Cora と CiteSeer のデータセットに対する実験により,提案手法による性能改善が実証された。
  論文  参考訳（メタデータ） (2024-03-24T06:28:54Z)
• DGNN: Decoupled Graph Neural Networks with Structural Consistency between Attribute and Graph Embedding Representations [62.04558318166396]
  グラフニューラルネットワーク(GNN)は、複雑な構造を持つグラフ上での表現学習の堅牢性を示す。 ノードのより包括的な埋め込み表現を得るために、Decoupled Graph Neural Networks (DGNN)と呼ばれる新しいGNNフレームワークが導入された。 複数のグラフベンチマークデータセットを用いて、ノード分類タスクにおけるDGNNの優位性を検証した。
  論文  参考訳（メタデータ） (2024-01-28T06:43:13Z)
• Revisiting Link Prediction: A Data Perspective [59.296773787387224]
  グラフの基本的なタスクであるリンク予測は、友人の推薦、タンパク質分析、薬物相互作用予測など、様々な応用において不可欠であることが証明されている。 既存の文献の証拠は、すべてのデータセットに適した普遍的に最良のアルゴリズムが存在しないことを裏付けている。 我々は,局所的な構造的近接,大域的な構造的近接,特徴的近接という,リンク予測に不可欠な3つの基本的要因を認識する。
  論文  参考訳（メタデータ） (2023-10-01T21:09:59Z)
• GAGE: Geometry Preserving Attributed Graph Embeddings [34.25102483600248]
  本稿では,属性ネットワークにノードを埋め込む手法を提案する。 接続と属性の両方の距離を保存する。 学習課題に取り組むために,効率的かつ軽量なアルゴリズムを開発した。
  論文  参考訳（メタデータ） (2020-11-03T02:07:02Z)
• Graph Information Bottleneck [77.21967740646784]
  グラフニューラルネットワーク(GNN)は、ネットワーク構造とノード機能から情報を融合する表現的な方法を提供する。 GIBは、一般的なInformation Bottleneck (IB) を継承し、与えられたタスクに対する最小限の表現を学習することを目的としている。 提案したモデルが最先端のグラフ防御モデルよりも堅牢であることを示す。
  論文  参考訳（メタデータ） (2020-10-24T07:13:00Z)
• AM-GCN: Adaptive Multi-channel Graph Convolutional Networks [85.0332394224503]
  グラフ畳み込みネットワーク(GCN)は,豊富な情報を持つ複雑なグラフにおいて,ノードの特徴と位相構造を最適に統合できるかどうかを検討する。 半教師付き分類(AM-GCN)のための適応型マルチチャネルグラフ畳み込みネットワークを提案する。 実験の結果,AM-GCNはノードの特徴とトポロジ的構造の両方から最も相関性の高い情報を抽出することがわかった。
  論文  参考訳（メタデータ） (2020-07-05T08:16:03Z)

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。