論文の概要: Link Prediction on Heterophilic Graphs via Disentangled Representation
Learning
- arxiv url: http://arxiv.org/abs/2208.01820v1
- Date: Wed, 3 Aug 2022 02:48:26 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-04 14:18:32.916251
- Title: Link Prediction on Heterophilic Graphs via Disentangled Representation
Learning
- Title(参考訳): 不連続表現学習による親水性グラフのリンク予測
- Authors: Shijie Zhou, Zhimeng Guo, Charu Aggarwal, Xiang Zhang and Suhang Wang
- Abstract要約: 異種グラフ上のリンク予測のための非絡み合い表現学習の新しい問題について検討する。
DisenLinkは、リンク生成をモデル化し、ファクトリ対応のメッセージパスを実行し、リンク予測を容易にすることで、アンタングル表現を学習することができる。
- 参考スコア(独自算出の注目度): 28.770767478688008
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Link prediction is an important task that has wide applications in various
domains. However, the majority of existing link prediction approaches assume
the given graph follows homophily assumption, and designs similarity-based
heuristics or representation learning approaches to predict links. However,
many real-world graphs are heterophilic graphs, where the homophily assumption
does not hold, which challenges existing link prediction methods. Generally, in
heterophilic graphs, there are many latent factors causing the link formation,
and two linked nodes tend to be similar in one or two factors but might be
dissimilar in other factors, leading to low overall similarity. Thus, one way
is to learn disentangled representation for each node with each vector
capturing the latent representation of a node on one factor, which paves a way
to model the link formation in heterophilic graphs, resulting in better node
representation learning and link prediction performance. However, the work on
this is rather limited. Therefore, in this paper, we study a novel problem of
exploring disentangled representation learning for link prediction on
heterophilic graphs. We propose a novel framework DisenLink which can learn
disentangled representations by modeling the link formation and perform
factor-aware message-passing to facilitate link prediction. Extensive
experiments on 13 real-world datasets demonstrate the effectiveness of
DisenLink for link prediction on both heterophilic and hemophiliac graphs. Our
codes are available at https://github.com/sjz5202/DisenLink
- Abstract(参考訳): リンク予測は、様々なドメインに幅広い応用がある重要なタスクである。
しかし、既存のリンク予測手法の大半は、与えられたグラフがホモフィリーな仮定に従うと仮定し、類似性に基づくヒューリスティックや表現学習アプローチを設計してリンクを予測する。
しかし、多くの実世界のグラフは、ホモフィリー仮定が持たないヘテロ親和グラフであり、既存のリンク予測法に挑戦する。
一般に、ヘテロ親和性グラフにはリンク形成を引き起こす潜在因子が多数存在し、2つの連結ノードは1つまたは2つの因子で類似する傾向にあるが、他の因子では異なっており、全体的な類似性が低い。
したがって、1つの方法は、各ベクターが1つの因子上のノードの潜在表現をキャプチャし、各ノードの絡み合った表現を学習し、親水性グラフにおけるリンク形成をモデル化し、よりよいノード表現学習とリンク予測性能をもたらす。
しかし、これに関する作業は限られている。
そこで本稿では,異種グラフ上のリンク予測のための非交叉表現学習の新たな課題について検討する。
本稿では,リンク形成をモデル化し,因子認識によるメッセージパッシングを行い,リンク予測を容易にする新しいフレームワークであるdisenlinkを提案する。
13の実世界のデータセットに対する大規模な実験は、異種グラフと血友病グラフのリンク予測におけるDisenLinkの有効性を示した。
私たちのコードはhttps://github.com/sjz5202/DisenLinkで利用可能です。
関連論文リスト
- 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) - Link-aware link prediction over temporal graph by pattern recognition [0.0]
時間グラフはリンクのストリームと見なすことができ、それぞれが特定の時間に2つのノード間の相互作用を表す。
時間グラフでは、リンク予測は一般的なタスクであり、クエリリンクが真かどうかに答えることを目的としている。
本稿では,リンク認識モデルを提案する。 履歴リンクとクエリリンクは,以下のモデル層にまとめて入力される。
6つのデータセットの実験により、我々のモデルは最先端のベースラインと比較して高い性能を達成できた。
論文 参考訳(メタデータ) (2024-02-11T13:26:06Z) - You Only Transfer What You Share: Intersection-Induced Graph Transfer
Learning for Link Prediction [79.15394378571132]
従来見過ごされていた現象を調査し、多くの場合、元のグラフに対して密に連結された補グラフを見つけることができる。
より密度の高いグラフは、選択的で有意義な知識を伝達するための自然なブリッジを提供する元のグラフとノードを共有することができる。
この設定をグラフインターセクション誘導トランスファーラーニング(GITL)とみなし,eコマースや学術共同オーサシップ予測の実践的応用に動機づけられた。
論文 参考訳(メタデータ) (2023-02-27T22:56:06Z) - CGMN: A Contrastive Graph Matching Network for Self-Supervised Graph
Similarity Learning [65.1042892570989]
自己教師付きグラフ類似性学習のためのコントラストグラフマッチングネットワーク(CGMN)を提案する。
我々は,効率的なノード表現学習のために,クロスビューインタラクションとクロスグラフインタラクションという2つの戦略を用いる。
我々はノード表現をグラフ類似性計算のためのプール演算によりグラフレベル表現に変換する。
論文 参考訳(メタデータ) (2022-05-30T13:20:26Z) - Graph Self-supervised Learning with Accurate Discrepancy Learning [64.69095775258164]
離散性に基づく自己監督型LeArning(D-SLA)と呼ばれる原図と摂動グラフの正確な相違を学習することを目的としたフレームワークを提案する。
本稿では,分子特性予測,タンパク質機能予測,リンク予測タスクなど,グラフ関連下流タスクにおける本手法の有効性を検証する。
論文 参考訳(メタデータ) (2022-02-07T08:04:59Z) - An Interpretable Graph Generative Model with Heterophily [38.59200985962146]
ヘテロフィリーを捉えるのに十分な表現性を持つ最初のエッジ非依存グラフ生成モデルを提案する。
我々の実験は、様々な重要なアプリケーションタスクに対して、我々のモデルの有効性を実証する。
論文 参考訳(メタデータ) (2021-11-04T17:34:39Z) - Node Classification Meets Link Prediction on Knowledge Graphs [16.37145148171519]
不完全グラフ上のトランスダクティブノード分類の問題とノード特徴を持つグラフ上のリンク予測について検討する。
ノード分類とリンク予測のための各最先端モデルと比較すると,本モデルは非常に強く機能する。
論文 参考訳(メタデータ) (2021-06-14T10:52:52Z) - Counterfactual Graph Learning for Link Prediction [34.04568972485512]
そこで本研究では,グラフ学習を現実的推論によって促進する新しいリンク予測手法を提案する。
複数のベンチマークデータセットの実験により,提案手法がリンク予測における最先端性能を実現することを示す。
論文 参考訳(メタデータ) (2021-06-03T23:27:00Z) - Line Graph Neural Networks for Link Prediction [71.00689542259052]
実世界の多くのアプリケーションにおいて古典的なグラフ解析問題であるグラフリンク予測タスクについて検討する。
このフォーマリズムでは、リンク予測問題をグラフ分類タスクに変換する。
本稿では,線グラフをグラフ理論に用いて,根本的に異なる新しい経路を求めることを提案する。
特に、線グラフの各ノードは、元のグラフのユニークなエッジに対応するため、元のグラフのリンク予測問題は、グラフ分類タスクではなく、対応する線グラフのノード分類問題として等価に解決できる。
論文 参考訳(メタデータ) (2020-10-20T05:54:31Z) - Learning to Extrapolate Knowledge: Transductive Few-shot Out-of-Graph
Link Prediction [69.1473775184952]
数発のアウトオブグラフリンク予測という現実的な問題を導入する。
我々は,新しいメタ学習フレームワークによってこの問題に対処する。
我々は,知識グラフの補完と薬物と薬物の相互作用予測のために,複数のベンチマークデータセット上でモデルを検証した。
論文 参考訳(メタデータ) (2020-06-11T17:42:46Z)
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。