論文の概要: StarGraph: A Coarse-to-Fine Representation Method for Large-Scale Knowledge Graph

• arxiv url: http://arxiv.org/abs/2205.14209v1
• Date: Fri, 27 May 2022 19:32:45 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-31 16:59:37.025291
• Title: StarGraph: A Coarse-to-Fine Representation Method for Large-Scale Knowledge Graph
• Title（参考訳）: StarGraph: 大規模知識グラフのための粗大な表現方法
• Authors: Hongzhu Li, Xiangrui Gao, Yafeng Deng
• Abstract要約: 本稿では,近隣情報を大規模知識グラフに活用するための新しい手法であるStarGraphを提案する。 提案手法は,ogbl-wikikg2データセットの有効性を検証する。
• 参考スコア（独自算出の注目度）: 0.6445605125467573
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Conventional representation learning algorithms for knowledge graphs (KG) map each entity to a unique embedding vector, ignoring the rich information contained in neighbor entities. We propose a method named StarGraph, which gives a novel way to utilize the neighborhood information for large-scale knowledge graphs to get better entity representations. The core idea is to divide the neighborhood information into different levels for sampling and processing, where the generalized coarse-grained information and unique fine-grained information are combined to generate an efficient subgraph for each node. In addition, a self-attention network is proposed to process the subgraphs and get the entity representations, which are used to replace the entity embeddings in conventional methods. The proposed method achieves the best results on the ogbl-wikikg2 dataset, which validates the effectiveness of it. The code is now available at https://github.com/hzli-ucas/StarGraph
• Abstract（参考訳）: 知識グラフ(KG)の従来の表現学習アルゴリズムは、各エンティティを固有の埋め込みベクトルにマッピングし、近隣エンティティに含まれる豊富な情報を無視する。 本稿では,大規模知識グラフに周辺情報を活用し,より優れた実体表現を実現する手法であるStarGraphを提案する。 中心となる考え方は、近隣情報をサンプリングと処理の異なるレベルに分割することであり、一般化された粗粒度情報と独自の細粒度情報を組み合わせて各ノードに効率的なサブグラフを生成する。 さらに,サブグラフの処理とエンティティ表現の取得のために自己アテンションネットワークが提案され,従来の方法でのエンティティ埋め込みを置き換えるために使用される。 提案手法は,ogbl-wikikg2データセットの有効性を検証する。 コードはhttps://github.com/hzli-ucas/StarGraphで入手できる。

関連論文リスト

• Differential Encoding for Improved Representation Learning over Graphs [15.791455338513815]
  メッセージパッシングパラダイムとグローバルアテンションメカニズムは、基本的にノードの埋め込みを生成する。 支配的な情報がノード自身からなのか、あるいはノードの隣人からなのかは不明だ。 本稿では,失った情報の問題に対処する差分符号化手法を提案する。
  論文  参考訳（メタデータ） (2024-07-03T02:23:33Z)
• Ensemble Quadratic Assignment Network for Graph Matching [52.20001802006391]
  グラフマッチングはコンピュータビジョンやパターン認識において一般的に用いられる技法である。 最近のデータ駆動型アプローチは、グラフマッチングの精度を著しく改善した。 データ駆動手法と従来の手法の利点を組み合わせたグラフニューラルネットワーク(GNN)に基づくアプローチを提案する。
  論文  参考訳（メタデータ） (2024-03-11T06:34:05Z)
• Deep Manifold Graph Auto-Encoder for Attributed Graph Embedding [51.75091298017941]
  本稿では,属性付きグラフデータに対する新しいDeep Manifold (Variational) Graph Auto-Encoder (DMVGAE/DMGAE)を提案する。 提案手法は,最先端のベースラインアルゴリズムを,一般的なデータセット間でのダウンストリームタスクの差を大きく越える。
  論文  参考訳（メタデータ） (2024-01-12T17:57:07Z)
• MGNet: Learning Correspondences via Multiple Graphs [78.0117352211091]
  学習対応は、不均一な対応分布と低い不整合率で設定された初期対応から正しい対応を見つけることを目的としている。 最近の進歩は、通常、グラフニューラルネットワーク(GNN)を使用して単一のタイプのグラフを構築したり、グローバルなグラフに局所グラフをスタックしてタスクを完了させる。 本稿では,複数の補完グラフを効果的に組み合わせるためのMGNetを提案する。
  論文  参考訳（メタデータ） (2024-01-10T07:58:44Z)
• Local Structure-aware Graph Contrastive Representation Learning [12.554113138406688]
  複数のビューからノードの構造情報をモデル化するための局所構造対応グラフ比較表現学習法(LS-GCL)を提案する。 ローカルビューでは、各ターゲットノードのセマンティックサブグラフが共有GNNエンコーダに入力され、サブグラフレベルに埋め込まれたターゲットノードを取得する。 グローバルな視点では、元のグラフはノードの必要不可欠な意味情報を保存しているので、共有GNNエンコーダを利用して、グローバルなグラフレベルでターゲットノードの埋め込みを学習する。
  論文  参考訳（メタデータ） (2023-08-07T03:23:46Z)
• SHGNN: Structure-Aware Heterogeneous Graph Neural Network [77.78459918119536]
  本稿では、上記の制約に対処する構造対応不均一グラフニューラルネットワーク(SHGNN)を提案する。 まず,メタパス内の中間ノードの局所構造情報を取得するために,特徴伝搬モジュールを利用する。 次に、ツリーアテンションアグリゲータを使用して、グラフ構造情報をメタパス上のアグリゲーションモジュールに組み込む。 最後に、メタパスアグリゲータを利用して、異なるメタパスから集約された情報を融合する。
  論文  参考訳（メタデータ） (2021-12-12T14:18:18Z)
• Graph Transplant: Node Saliency-Guided Graph Mixup with Local Structure Preservation [27.215800308343322]
  グラフトランスポート(Graph Transplant)と呼ばれるグラフレベルでMixupライクなグラフ拡張手法を提案する。 本手法では, 局所情報を保存可能な混合単位としてサブ構造を同定する。 複数のグラフ分類ベンチマークデータセットを用いて,多様なGNNアーキテクチャを用いて提案手法を広範囲に検証する。
  論文  参考訳（メタデータ） (2021-11-10T11:10:13Z)
• A Robust and Generalized Framework for Adversarial Graph Embedding [73.37228022428663]
  本稿では,AGE という逆グラフ埋め込みのための頑健なフレームワークを提案する。 AGEは、暗黙の分布から強化された負のサンプルとして偽の隣接ノードを生成する。 本フレームワークでは,3種類のグラフデータを扱う3つのモデルを提案する。
  論文  参考訳（メタデータ） (2021-05-22T07:05:48Z)
• Sub-graph Contrast for Scalable Self-Supervised Graph Representation Learning [21.0019144298605]
  既存のグラフニューラルネットワークは、計算量やメモリコストが限られているため、完全なグラフデータで供給される。 textscSubg-Conは、中央ノードとそのサンプルサブグラフ間の強い相関を利用して、地域構造情報をキャプチャすることで提案される。 既存のグラフ表現学習アプローチと比較して、textscSubg-Conは、より弱い監視要件、モデル学習のスケーラビリティ、並列化において、顕著なパフォーマンス上のアドバンテージを持っています。
  論文  参考訳（メタデータ） (2020-09-22T01:58:19Z)
• Heuristic Semi-Supervised Learning for Graph Generation Inspired by Electoral College [80.67842220664231]
  本稿では,新たなノードやエッジを自動的に拡張して,高密度サブグラフ内のラベル類似性を向上する,新しい前処理手法であるElectoral College(ELCO)を提案する。 テストされたすべての設定において、我々の手法はベースモデルの平均スコアを4.7ポイントの広いマージンで引き上げるとともに、常に最先端のモデルよりも優れています。
  論文  参考訳（メタデータ） (2020-06-10T14:48:48Z)

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。