論文の概要: Sampling Enclosing Subgraphs for Link Prediction

• arxiv url: http://arxiv.org/abs/2206.12004v1
• Date: Thu, 23 Jun 2022 22:48:44 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-27 14:21:33.935360
• Title: Sampling Enclosing Subgraphs for Link Prediction
• Title（参考訳）: リンク予測のためのサンプリング・エンクロース・サブグラフ
• Authors: Paul Louis, Shweta Ann Jacob and Amirali Salehi-Abari
• Abstract要約: リンク予測はグラフ構造化データ計算の基本的な問題である。 本稿では,スパース囲み部分グラフを用いて予測を行うScaLedというスケーラブルな解を提案する。 より小さなサンプルサブグラフを活用することで、ScaLedは高い精度を維持しながらオーバーヘッドをはるかに少なく大きなグラフにスケールすることができる。
• 参考スコア（独自算出の注目度）: 2.1270496914042996
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Link prediction is a fundamental problem for graph-structured data (e.g., social networks, drug side-effect networks, etc.). Graph neural networks have offered robust solutions for this problem, specifically by learning the representation of the subgraph enclosing the target link (i.e., pair of nodes). However, these solutions do not scale well to large graphs as extraction and operation on enclosing subgraphs are computationally expensive, especially for large graphs. This paper presents a scalable link prediction solution, that we call ScaLed, which utilizes sparse enclosing subgraphs to make predictions. To extract sparse enclosing subgraphs, ScaLed takes multiple random walks from a target pair of nodes, then operates on the sampled enclosing subgraph induced by all visited nodes. By leveraging the smaller sampled enclosing subgraph, ScaLed can scale to larger graphs with much less overhead while maintaining high accuracy. ScaLed further provides the flexibility to control the trade-off between computation overhead and accuracy. Through comprehensive experiments, we have shown that ScaLed can produce comparable accuracy to those reported by the existing subgraph representation learning frameworks while being less computationally demanding.
• Abstract（参考訳）: リンク予測は、グラフ構造化データ(例えば、ソーシャルネットワーク、薬物副作用ネットワークなど)の基本的な問題である。 グラフニューラルネットワークは、ターゲットリンク(すなわち、ノード対)を囲むサブグラフの表現を学習することで、この問題に対して堅牢なソリューションを提供する。 しかし、これらの解は、特に大きなグラフの場合、囲む部分グラフの抽出と操作が計算コストが高いため、大きなグラフに対してうまくスケールしない。 本稿では,sparse enclosing subgraphsを用いて予測を行うscaledと呼ばれるスケーラブルなリンク予測ソリューションを提案する。 スパース囲いサブグラフを抽出するために、ScaLedはターゲットのノードから複数のランダムウォークを行い、訪問したすべてのノードによって誘導されるサンプル囲いサブグラフを操作する。 ScaLedはより小さなサンプル封入サブグラフを活用することで、高い精度を維持しながらオーバーヘッドをはるかに少なく大きなグラフにスケールすることができる。 ScaLedはさらに、計算オーバーヘッドと精度の間のトレードオフを制御する柔軟性を提供する。 包括的実験により,ScaLedは既存のサブグラフ表現学習フレームワークで報告されているものと同等の精度で,計算能力の低下を図っている。

関連論文リスト

• Deep Generative Models for Subgraph Prediction [10.56335881963895]
  本稿では,深層グラフ学習のための新しい課題として,サブグラフクエリを提案する。 サブグラフクエリは、観測されたサブグラフで表される証拠に基づいて、ターゲットサブグラフのコンポーネントを共同で予測する。 我々は,確率論的深部グラフ生成モデルを用いて,サブグラフクエリに回答する。
  論文  参考訳（メタデータ） (2024-08-07T19:24:02Z)
• Less is More: One-shot Subgraph Reasoning on Large-scale Knowledge Graphs [49.547988001231424]
  効率的かつ適応的な予測を実現するために,ワンショットサブグラフリンク予測を提案する。 設計原理は、KG全体に直接作用する代わりに、予測手順を2つのステップに分離する。 5つの大規模ベンチマークにおいて,効率の向上と性能の向上を実現している。
  論文  参考訳（メタデータ） (2024-03-15T12:00:12Z)
• NodeFormer: A Scalable Graph Structure Learning Transformer for Node Classification [70.51126383984555]
  本稿では,任意のノード間のノード信号を効率的に伝搬する全ペアメッセージパッシング方式を提案する。 効率的な計算は、カーナライズされたGumbel-Softmax演算子によって実現される。 グラフ上のノード分類を含む様々なタスクにおいて,本手法の有望な有効性を示す実験を行った。
  論文  参考訳（メタデータ） (2023-06-14T09:21:15Z)
• Rethinking Explaining Graph Neural Networks via Non-parametric Subgraph Matching [68.35685422301613]
  そこで我々はMatchExplainerと呼ばれる新しい非パラメトリックな部分グラフマッチングフレームワークを提案し、説明的部分グラフを探索する。 ターゲットグラフと他のインスタンスを結合し、ノードに対応する距離を最小化することで最も重要な結合部分構造を識別する。 合成および実世界のデータセットの実験は、最先端のパラメトリックベースラインをかなりのマージンで上回り、MatchExplainerの有効性を示す。
  論文  参考訳（メタデータ） (2023-01-07T05:14:45Z)
• Reinforcement Learning Enhanced Weighted Sampling for Accurate Subgraph Counting on Fully Dynamic Graph Streams [35.943447765433774]
  完全動的グラフストリームにおける部分グラフ数を推定するための重み付きサンプリングアルゴリズムWSDを提案する。 強化学習に基づく新しい手法を用いて,エッジの重みをデータ駆動方式で決定する。
  論文  参考訳（メタデータ） (2022-11-13T03:01:34Z)
• Towards Accurate Subgraph Similarity Computation via Neural Graph Pruning [22.307526272085024]
  本研究では,グラフプルーニングをノード遅延問題に変換し,それを微分可能な問題に緩和する。 このアイデアに基づいて、サブグラフ編集距離(SED)のタイプを近似する新しいニューラルネットワークを設計する。 モデルの設計では,クエリグラフに関する情報を活用し,対象グラフのプルーニングを誘導するアテンション機構を提案する。
  論文  参考訳（メタデータ） (2022-10-19T15:16:28Z)
• Neural Graph Matching for Pre-training Graph Neural Networks [72.32801428070749]
  グラフニューラルネットワーク(GNN)は、構造データのモデリングにおいて強力な能力を示している。 GMPTと呼ばれる新しいグラフマッチングベースのGNN事前学習フレームワークを提案する。 提案手法は,完全自己指導型プレトレーニングと粗粒型プレトレーニングに適用できる。
  論文  参考訳（メタデータ） (2022-03-03T09:53:53Z)
• Cherry-Picking Gradients: Learning Low-Rank Embeddings of Visual Data via Differentiable Cross-Approximation [53.95297550117153]
  本稿では,大規模な視覚データテンソルの処理を行うエンドツーエンドのトレーニング可能なフレームワークを提案する。 提案手法は大規模多次元グリッドデータや,大規模受容領域上のコンテキストを必要とするタスクに特に有用である。
  論文  参考訳（メタデータ） (2021-05-29T08:39:57Z)
• On Explainability of Graph Neural Networks via Subgraph Explorations [48.56936527708657]
  本稿では,グラフニューラルネットワーク(GNN)を説明するための新しい手法,SubgraphXを提案する。 我々の研究は,GNNのサブグラフを明示的に識別する最初の試みである。
  論文  参考訳（メタデータ） (2021-02-09T22:12:26Z)

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。