論文の概要: AdaProp: Learning Adaptive Propagation for Graph Neural Network based Knowledge Graph Reasoning

• arxiv url: http://arxiv.org/abs/2205.15319v2
• Date: Wed, 14 Jun 2023 03:33:04 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-17 04:01:29.702336
• Title: AdaProp: Learning Adaptive Propagation for Graph Neural Network based Knowledge Graph Reasoning
• Title（参考訳）: adaprop: グラフニューラルネットワークに基づく知識グラフ推論のための学習適応伝播
• Authors: Yongqi Zhang, Zhanke Zhou, Quanming Yao, Xiaowen Chu, Bo Han
• Abstract要約: GNNベースの推論手法の重要な設計要素は、伝搬経路と呼ばれる。 我々は、有望な目標を維持しつつ、無関係なエンティティをフィルタリングするために適応的な伝搬経路を学習する。 私たちの方法は強力で効率的でセマンティック・アウェアです。
• 参考スコア（独自算出の注目度）: 43.06729402877713
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Due to the popularity of Graph Neural Networks (GNNs), various GNN-based methods have been designed to reason on knowledge graphs (KGs). An important design component of GNN-based KG reasoning methods is called the propagation path, which contains a set of involved entities in each propagation step. Existing methods use hand-designed propagation paths, ignoring the correlation between the entities and the query relation. In addition, the number of involved entities will explosively grow at larger propagation steps. In this work, we are motivated to learn an adaptive propagation path in order to filter out irrelevant entities while preserving promising targets. First, we design an incremental sampling mechanism where the nearby targets and layer-wise connections can be preserved with linear complexity. Second, we design a learning-based sampling distribution to identify the semantically related entities. Extensive experiments show that our method is powerful, efficient, and semantic-aware. The code is available at https://github.com/LARS-research/AdaProp.
• Abstract（参考訳）: グラフニューラルネットワーク(GNN)の人気により、知識グラフ(KG)を推論する様々なGNNベースの手法が設計されている。 gnnベースのkg推論法の重要な設計要素は伝搬経路と呼ばれ、各伝播ステップに関連するエンティティの集合を含んでいる。 既存の手法では手書きの伝搬経路を使用し、エンティティとクエリ関係の相関を無視している。 さらに、関与する物質の数は、より大きな伝播ステップで爆発的に増加する。 本研究では,有望な目標を維持しつつ,無関係なエンティティをフィルタリングするために適応的な伝搬経路を学習する動機付けを行う。 まず,近傍のターゲットと層間接続を線形複雑に保存できるインクリメンタルサンプリング機構を設計する。 第2に,意味的関連のあるエンティティを識別するために,学習に基づくサンプリング分布を設計する。 広範な実験により,本手法は強力で効率的であり,意味論的であることが示された。 コードはhttps://github.com/LARS-research/AdaProp.comで公開されている。

関連論文リスト

• Leveraging Multi-facet Paths for Heterogeneous Graph Representation Learning [2.603958690885184]
  MF2Vecは、事前に定義されたメタパスの代わりに、多面的(きめ細かい)パスを使用するモデルである。 この方法はノードとその関係の多様な側面を学習し、均質なネットワークを構築し、分類、リンク予測、クラスタリングのためのノード埋め込みを生成する。
  論文  参考訳（メタデータ） (2024-07-30T08:45:32Z)
• Automatic Relation-aware Graph Network Proliferation [182.30735195376792]
  GNNを効率的に検索するためのARGNP(Automatic Relation-Aware Graph Network Proliferation)を提案する。 これらの操作は階層的なノード/リレーショナル情報を抽出し、グラフ上のメッセージパッシングのための異方的ガイダンスを提供する。 4つのグラフ学習タスクのための6つのデータセットの実験により、我々の手法によって生成されたGNNは、現在最先端の手作りおよび検索に基づくGNNよりも優れていることが示された。
  論文  参考訳（メタデータ） (2022-05-31T10:38:04Z)
• Deep Architecture Connectivity Matters for Its Convergence: A Fine-Grained Analysis [94.64007376939735]
  我々は、勾配降下訓練におけるディープニューラルネットワーク(DNN)の収束に対する接続パターンの影響を理論的に特徴づける。 接続パターンの単純なフィルタリングによって、評価対象のモデルの数を削減できることが示される。
  論文  参考訳（メタデータ） (2022-05-11T17:43:54Z)
• Graph Neural Networks with Feature and Structure Aware Random Walk [7.143879014059894]
  典型的な好適なグラフでは、エッジを指向する可能性があり、エッジをそのまま扱うか、あるいは単純に非指向にするかは、GNNモデルの性能に大きな影響を与える。 そこで我々は,グラフの方向性を適応的に学習するモデルを開発し,ノード間の長距離相関を生かした。
  論文  参考訳（メタデータ） (2021-11-19T08:54:21Z)
• AdaGNN: A multi-modal latent representation meta-learner for GNNs based on AdaBoosting [0.38073142980733]
  グラフニューラルネットワーク(GNN)は、固有のネットワーク機能の抽出に重点を置いている。 GNNのための強化型メタラーナを提案する。 AdaGNNは、リッチで多様なノード近傍情報を持つアプリケーションに対して非常によく機能する。
  論文  参考訳（メタデータ） (2021-08-14T03:07:26Z)
• ROD: Reception-aware Online Distillation for Sparse Graphs [23.55530524584572]
  疎グラフ学習のための新しいレセプション対応オンライン知識蒸留手法 ROD を提案する。 RODのための3つの監視信号: マルチスケールの受信対応グラフ知識、タスクベース監視、豊富な蒸留知識。 我々のアプローチは9つのデータセットと様々なグラフベースのタスクで広く評価されている。
  論文  参考訳（メタデータ） (2021-07-25T11:55:47Z)
• Higher-Order Attribute-Enhancing Heterogeneous Graph Neural Networks [67.25782890241496]
  異種ネットワーク表現学習のための高次属性強化グラフニューラルネットワーク(HAEGNN)を提案する。 HAEGNNは、リッチで異質なセマンティクスのためのメタパスとメタグラフを同時に組み込む。 ノード分類、ノードクラスタリング、可視化における最先端の手法よりも優れたパフォーマンスを示す。
  論文  参考訳（メタデータ） (2021-04-16T04:56:38Z)
• Learning Intents behind Interactions with Knowledge Graph for Recommendation [93.08709357435991]
  知識グラフ(KG)は、推薦システムにおいてますます重要な役割を果たす。 既存のGNNベースのモデルは、きめ細かいインテントレベルでのユーザ項目関係の特定に失敗します。 本稿では,新しいモデルである知識グラフベースインテントネットワーク(kgin)を提案する。
  論文  参考訳（メタデータ） (2021-02-14T03:21:36Z)
• Learning the Implicit Semantic Representation on Graph-Structured Data [57.670106959061634]
  グラフ畳み込みネットワークにおける既存の表現学習手法は主に、各ノードの近傍を知覚全体として記述することで設計される。 本稿では,グラフの潜在意味パスを学習することで暗黙的な意味を探索する意味グラフ畳み込みネットワーク(sgcn)を提案する。
  論文  参考訳（メタデータ） (2021-01-16T16:18:43Z)

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。