論文の概要: Few-Shot Semantic Relation Prediction across Heterogeneous Graphs
- arxiv url: http://arxiv.org/abs/2207.05068v1
- Date: Mon, 11 Jul 2022 01:38:09 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-13 13:27:50.336531
- Title: Few-Shot Semantic Relation Prediction across Heterogeneous Graphs
- Title（参考訳）: 異種グラフ間のマイトショット意味関係予測
- Authors: Pengfei Ding, Yan Wang, Guanfeng Liu, and Xiaofang Zhou
- Abstract要約: 現実のシナリオでは、新しいセマンティックな関係は常に現れ、通常はラベル付きデータのみで現れる。
このことは、不均一グラフ間の数ショットのセマンティック関係予測という新しい問題を引き起こした。
本稿では,メタGSと呼ばれる意味的関係予測のためのメタラーニングに基づくグラフニューラルネットワークを提案する。
- 参考スコア（独自算出の注目度）: 21.607075407798362
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Semantic relation prediction aims to mine the implicit relationships between
objects in heterogeneous graphs, which consist of different types of objects
and different types of links. In real-world scenarios, new semantic relations
constantly emerge and they typically appear with only a few labeled data. Since
a variety of semantic relations exist in multiple heterogeneous graphs, the
transferable knowledge can be mined from some existing semantic relations to
help predict the new semantic relations with few labeled data. This inspires a
novel problem of few-shot semantic relation prediction across heterogeneous
graphs. However, the existing methods cannot solve this problem because they
not only require a large number of labeled samples as input, but also focus on
a single graph with a fixed heterogeneity. Targeting this novel and challenging
problem, in this paper, we propose a Meta-learning based Graph neural network
for Semantic relation prediction, named MetaGS. Firstly, MetaGS decomposes the
graph structure between objects into multiple normalized subgraphs, then adopts
a two-view graph neural network to capture local heterogeneous information and
global structure information of these subgraphs. Secondly, MetaGS aggregates
the information of these subgraphs with a hyper-prototypical network, which can
learn from existing semantic relations and adapt to new semantic relations.
Thirdly, using the well-initialized two-view graph neural network and
hyper-prototypical network, MetaGS can effectively learn new semantic relations
from different graphs while overcoming the limitation of few labeled data.
Extensive experiments on three real-world datasets have demonstrated the
superior performance of MetaGS over the state-of-the-art methods.
- Abstract（参考訳）: 意味的関係予測は、異なる種類のオブジェクトと異なるタイプのリンクからなる異種グラフにおけるオブジェクト間の暗黙の関係を掘り下げることを目的としている。
現実のシナリオでは、新しいセマンティックな関係は常に現れ、通常はラベル付きデータのみで現れる。
複数のヘテロジニアスグラフに様々な意味関係が存在するため、ラベル付きデータが少ない新しい意味関係を予測するのに役立つ既存の意味関係から転送可能な知識を抽出できる。
このことは、不均一グラフ間の少数ショット意味関係予測という新たな問題を引き起こす。
しかし、既存の手法では、大量のラベル付きサンプルを入力として必要とせず、固定された不均一性を持つ単一のグラフに焦点を当てているため、この問題は解決できない。
本稿では,この新たな課題をターゲットとして,メタGSという意味的関係予測のためのメタラーニングに基づくグラフニューラルネットワークを提案する。
まず、MetaGSはオブジェクト間のグラフ構造を複数の正規化サブグラフに分解し、2ビューグラフニューラルネットワークを用いて局所的な異種情報とこれらのサブグラフのグローバル構造情報をキャプチャする。
第二に、MetaGSはこれらのサブグラフの情報をハイパープロトタイプネットワークで集約し、既存のセマンティック関係から学習し、新しいセマンティック関係に適応させることができる。
第3に、高度に初期化された2視点グラフニューラルネットワークと超定型ネットワークを用いて、メタグは、ラベル付きデータの制限を克服しながら、異なるグラフから効率的に新しい意味関係を学習することができる。
3つの実世界のデータセットに対する大規模な実験は、最先端の手法よりもMetaGSの優れた性能を示している。
関連論文リスト
- The Heterophilic Graph Learning Handbook: Benchmarks, Models, Theoretical Analysis, Applications and Challenges [101.83124435649358]
ホモフィリ原理では、同じラベルや類似属性を持つieノードが接続される可能性が高い。
最近の研究で、GNNのパフォーマンスとNNのパフォーマンスが満足できない非自明なデータセットが特定されている。
論文 参考訳（メタデータ） (2024-07-12T18:04:32Z) - Generation is better than Modification: Combating High Class Homophily Variance in Graph Anomaly Detection [51.11833609431406]
異なるクラス間のホモフィリー分布の差は、ホモフィリックグラフやヘテロフィリックグラフよりも著しく大きい。
我々は、この現象を定量的に記述した、クラスホモフィリーバリアンスと呼ばれる新しい計量を導入する。
その影響を軽減するために,ホモフィリーエッジ生成グラフニューラルネットワーク(HedGe)と呼ばれる新しいGNNモデルを提案する。
論文 参考訳（メタデータ） (2024-03-15T14:26:53Z) - HiGPT: Heterogeneous Graph Language Model [27.390123898556805]
不均一グラフ学習は、異種グラフ内のエンティティ間の複雑な関係や多様な意味を捉えることを目的としている。
異種グラフ学習のための既存のフレームワークは、多種多様な異種グラフデータセットをまたいだ一般化に制限がある。
異種グラフ命令チューニングパラダイムを用いた一般的なグラフモデルであるHiGPTを提案する。
論文 参考訳（メタデータ） (2024-02-25T08:07:22Z) - 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) - GSim: A Graph Neural Network based Relevance Measure for Heterogeneous
Graphs [22.040693985085404]
グラフニューラルネットワーク(GNN)は多くのグラフマイニングタスクに広く適用されているが、関連性の測定には適用されていない。
本稿では,GSim という新しい GNN 関連尺度を提案する。
次に、異種グラフのセマンティクスを自動的に活用する文脈パスに基づくグラフニューラルネットワーク(CP-GNN)を提案する。
論文 参考訳（メタデータ） (2022-08-12T07:26:05Z) - Heterogeneous Graph Neural Networks using Self-supervised Reciprocally
Contrastive Learning [102.9138736545956]
不均一グラフニューラルネットワーク(HGNN)は異種グラフのモデリングと解析において非常に一般的な手法である。
我々は,ノード属性とグラフトポロジの各ガイダンスに関する2つの視点を取り入れた,新規で頑健なヘテロジニアスグラフコントラスト学習手法であるHGCLを初めて開発する。
この新しいアプローチでは,属性とトポロジに関連情報を別々にマイニングする手法として,異なるが最も適した属性とトポロジの融合機構を2つの視点に適用する。
論文 参考訳（メタデータ） (2022-04-30T12:57:02Z) - 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) - DisenHAN: Disentangled Heterogeneous Graph Attention Network for
Recommendation [11.120241862037911]
不均一な情報ネットワークは、リコメンデータシステムにおけるスパーシリティとコールドスタートの問題を軽減するために広く利用されている。
そこで本稿では,非交叉不均質グラフアテンションネットワークDisenHANについて,トップ$N$のレコメンデーションを提案する。
論文 参考訳（メタデータ） (2021-06-21T06:26:10Z) - Learning on heterogeneous graphs using high-order relations [37.64632406923687]
メタパスを使わずに異種グラフを学習する手法を提案する。
異種グラフを異なる同種関係型グラフに分解し、それを結合して高階関係型表現を生成する。
論文 参考訳（メタデータ） (2021-03-29T12:02:47Z) - 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。