Fugu-MT 論文翻訳(概要): Multiplex Heterogeneous Graph Convolutional Network

論文の概要: Multiplex Heterogeneous Graph Convolutional Network

arxiv url: http://arxiv.org/abs/2208.06129v1
Date: Fri, 12 Aug 2022 06:17:54 GMT
ステータス: 処理完了
システム内更新日: 2022-08-15 13:05:23.110855
Title: Multiplex Heterogeneous Graph Convolutional Network
Title（参考訳）: 多重不均一グラフ畳み込みネットワーク
Authors: Pengyang Yu, Chaofan Fu, Yanwei Yu, Chao Huang, Zhongying Zhao, Junyu Dong
Abstract要約: 異種ネットワーク埋め込みのための多重異種グラフ畳み込みネットワーク(MHGCN)を提案する。我々のMHGCNは、多重異種ネットワークにおいて、異なる長さの有用な異種メタパス相互作用を自動的に学習することができる。
参考スコア（独自算出の注目度）: 25.494590588212542
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Heterogeneous graph convolutional networks have gained great popularity in tackling various network analytical tasks on heterogeneous network data, ranging from link prediction to node classification. However, most existing works ignore the relation heterogeneity with multiplex network between multi-typed nodes and different importance of relations in meta-paths for node embedding, which can hardly capture the heterogeneous structure signals across different relations. To tackle this challenge, this work proposes a Multiplex Heterogeneous Graph Convolutional Network (MHGCN) for heterogeneous network embedding. Our MHGCN can automatically learn the useful heterogeneous meta-path interactions of different lengths in multiplex heterogeneous networks through multi-layer convolution aggregation. Additionally, we effectively integrate both multi-relation structural signals and attribute semantics into the learned node embeddings with both unsupervised and semi-supervised learning paradigms. Extensive experiments on five real-world datasets with various network analytical tasks demonstrate the significant superiority of MHGCN against state-of-the-art embedding baselines in terms of all evaluation metrics.
Abstract（参考訳）: 不均一グラフ畳み込みネットワークは、リンク予測からノード分類に至るまで、異種ネットワークデータに対する様々なネットワーク解析タスクに取り組むことで大きな人気を得ている。しかし、既存の作品の多くは、マルチタイプノード間の多重ネットワークとの関係の不均一性や、ノード埋め込みのためのメタパスにおける関係の重要性を無視している。この課題に対処するために、異種ネットワーク埋め込みのための多重異種グラフ畳み込みネットワーク(MHGCN)を提案する。 mhgcnは多層畳み込みアグリゲーションにより,多層異種ネットワークにおける異なる長さのヘテロジニアスなメタパス相互作用を自動学習する。さらに,マルチリレーション構造信号と属性セマンティクスの両方を,教師なしと半教師なしの両方の学習パラダイムで学習ノード埋め込みに統合する。様々なネットワーク分析タスクを持つ5つの実世界のデータセットに対する大規模な実験は、すべての評価指標の観点から、最先端の埋め込みベースラインに対するMHGCNの顕著な優位性を示している。

関連論文リスト

Attributed Multi-order Graph Convolutional Network for Heterogeneous Graphs [29.618952407794783]
AMOGCN(AnAttributed Multi-Order Graph Convolutional Network)を提案する。 AMOGCNは最先端の競合に比べて優れた半教師付き分類性能を得る。
論文参考訳（メタデータ） (2023-04-13T08:31:16Z)
Relation Embedding based Graph Neural Networks for Handling Heterogeneous Graph [58.99478502486377]
我々は、同種GNNが不均一グラフを扱うのに十分な能力を持つように、シンプルで効率的なフレームワークを提案する。具体的には、エッジ型関係と自己ループ接続の重要性を埋め込むために、関係1つのパラメータのみを使用する関係埋め込みベースのグラフニューラルネットワーク(RE-GNN)を提案する。
論文参考訳（メタデータ） (2022-09-23T05:24:18Z)
HybridGNN: Learning Hybrid Representation in Multiplex Heterogeneous Networks [26.549559266395775]
本稿では,ハイブリッドアグリゲーションフローと階層的アテンションを備えたエンドツーエンドグラフニューラルネットワークモデルであるHybridGNNを提案する。以上の結果から,HybridGNNはいくつかの最先端ベースラインと比較して最高の性能を示す。
論文参考訳（メタデータ） (2022-08-03T13:39:47Z)
Simple and Efficient Heterogeneous Graph Neural Network [55.56564522532328]
不均一グラフニューラルネットワーク(HGNN)は、不均一グラフの豊富な構造的および意味的な情報をノード表現に埋め込む強力な能力を持つ。既存のHGNNは、同種グラフ上のグラフニューラルネットワーク(GNN)から多くのメカニズム、特に注意機構と多層構造を継承する。本稿では,これらのメカニズムを詳細に検討し,簡便かつ効率的なヘテロジニアスグラフニューラルネットワーク(SeHGNN)を提案する。
論文参考訳（メタデータ） (2022-07-06T10:01:46Z)
Pay Attention to Relations: Multi-embeddings for Attributed Multiplex Networks [0.0]
RAHMeNは、属性付き異種多重ネットワークのための新しい統合型関係認識組込みフレームワークである。本モデルでは,ノード属性,モチーフに基づく特徴,関係性に基づくGCNアプローチ,ノードの埋め込みを学習するための関係性自己アテンションが組み込まれている。我々は,Amazon,Twitter,YouTube,Tio PPIの4つの実世界のデータセットを,トランスダクティブおよびインダクティブの両方で評価した。
論文参考訳（メタデータ） (2022-03-03T18:31:29Z)
Heterogeneous Graph Neural Network with Multi-view Representation Learning [16.31723570596291]
異種グラフ埋め込みのための多視点表現学習(MV-HetGNN)を用いた異種グラフニューラルネットワークを提案する。提案手法は, ノード特徴変換, ビュー固有エゴグラフ符号化, 自動多視点融合により, 包括的ノード表現を生成する複雑な構造情報と意味情報を完全に学習する。 3つの実世界の異種グラフデータセットに対する大規模な実験により、提案されたMV-HetGNNモデルは、様々な下流タスクにおいて、最先端のGNNベースラインを一貫して上回ることを示した。
論文参考訳（メタデータ） (2021-08-31T07:18:48Z)
Attention-driven Graph Clustering Network [49.040136530379094]
我々は、注意駆動グラフクラスタリングネットワーク(AGCN)という新しいディープクラスタリング手法を提案する。 AGCNは、ノード属性特徴とトポロジグラフ特徴を動的に融合するために、不均一な融合モジュールを利用する。 AGCNは、教師なしの方法で特徴学習とクラスタ割り当てを共同で行うことができる。
論文参考訳（メタデータ） (2021-08-12T02:30:38Z)
Reinforced Neighborhood Selection Guided Multi-Relational Graph Neural Networks [68.9026534589483]
RioGNNはReinforceed, recursive, flexible neighborhood selection guided multi-relational Graph Neural Network architectureである。 RioGNNは、各関係の個々の重要性の認識により、説明性を高めた差別的なノード埋め込みを学ぶことができる。
論文参考訳（メタデータ） (2021-04-16T04:30:06Z)
Layer-stacked Attention for Heterogeneous Network Embedding [0.0]
レイヤスタックATTention Embedding (LATTE)は、各レイヤで上位のメタ関係を自動的に分解するアーキテクチャである。 LATTEは、異なる近傍範囲の異なるタイプのノードに対して、より解釈可能なアグリゲーションスキームを提供する。帰納的ノード分類タスクと帰納的ノード分類タスクの両方において、LATTEは既存のアプローチと比較して最先端のパフォーマンスを達成することができる。
論文参考訳（メタデータ） (2020-09-17T05:13:41Z)
A Multi-Semantic Metapath Model for Large Scale Heterogeneous Network Representation Learning [52.83948119677194]
大規模不均一表現学習のためのマルチセマンティックメタパス(MSM)モデルを提案する。具体的には,マルチセマンティックなメタパスに基づくランダムウォークを生成し,不均衡な分布を扱うヘテロジニアスな近傍を構築する。提案するフレームワークに対して,AmazonとAlibabaの2つの挑戦的なデータセットに対して,体系的な評価を行う。
論文参考訳（メタデータ） (2020-07-19T22:50:20Z)
Detecting Communities in Heterogeneous Multi-Relational Networks:A Message Passing based Approach [89.19237792558687]
コミュニティは、ソーシャルネットワーク、生物学的ネットワーク、コンピュータおよび情報ネットワークを含むネットワークの共通の特徴である。我々は,全同種ネットワークのコミュニティを同時に検出する効率的なメッセージパッシングに基づくアルゴリズムを提案する。
論文参考訳（メタデータ） (2020-04-06T17:36:24Z)

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。