論文の概要: Heterogeneous Graph Tree Networks

• arxiv url: http://arxiv.org/abs/2209.00610v1
• Date: Thu, 1 Sep 2022 17:22:01 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-02 14:08:09.952070
• Title: Heterogeneous Graph Tree Networks
• Title（参考訳）: 不均一グラフツリーネットワーク
• Authors: Nan Wu, Chaofan Wang
• Abstract要約: 異種グラフニューラルネットワーク(HGNN)は近年,研究の関心が高まっている。 1つのクラスはメタパスベースのHGNNで、メタパスをハンドクラフトするためにドメイン知識を必要とするか、メタパスを自動的に構築するために大量の時間とメモリを消費する。 HetGTCN(Heterogeneous Graph Tree Convolutional Network)とHetGTAN(Hetogeneous Graph Tree Attention Network)の2つのモデルを提案する。
• 参考スコア（独自算出の注目度）: 8.50892442127182
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Heterogeneous graph neural networks (HGNNs) have attracted increasing research interest in recent three years. Most existing HGNNs fall into two classes. One class is meta-path-based HGNNs which either require domain knowledge to handcraft meta-paths or consume huge amount of time and memory to automatically construct meta-paths. The other class does not rely on meta-path construction. It takes homogeneous convolutional graph neural networks (Conv-GNNs) as backbones and extend them to heterogeneous graphs by introducing node-type- and edge-type-dependent parameters. Regardless of the meta-path dependency, most existing HGNNs employ shallow Conv-GNNs such as GCN and GAT to aggregate neighborhood information, and may have limited capability to capture information from high-order neighborhood. In this work, we propose two heterogeneous graph tree network models: Heterogeneous Graph Tree Convolutional Network (HetGTCN) and Heterogeneous Graph Tree Attention Network (HetGTAN), which do not rely on meta-paths to encode heterogeneity in both node features and graph structure. Extensive experiments on three real-world heterogeneous graph data demonstrate that the proposed HetGTCN and HetGTAN are efficient and consistently outperform all state-of-the-art HGNN baselines on semi-supervised node classification tasks, and can go deep without compromising performance.
• Abstract（参考訳）: 異種グラフニューラルネットワーク(HGNN)は近年,研究の関心が高まっている。 ほとんどの既存のHGNNは2つのクラスに分類される。 1つのクラスはメタパスベースのhgnnで、ハンドクラフトメタパスにドメイン知識を必要とするか、メタパスを自動的に構築するために膨大な時間とメモリを消費する。 他のクラスはメタパス構成に依存しない。 同種畳み込みグラフニューラルネットワーク(Conv-GNN)をバックボーンとし、ノード型およびエッジ型依存パラメータを導入して異種グラフに拡張する。 メタパスの依存関係にかかわらず、既存のHGNNはGCNやGATなどの浅いConv-GNNを使用して近隣情報を集約し、高次の地区の情報を取得する能力に制限がある。 本研究では,ヘテロジニアスグラフ木畳み込みネットワーク(HetGTCN)とヘテロジニアスグラフ木アテンションネットワーク(HetGTAN)の2つの異種グラフ木ネットワークモデルを提案する。 3つの実世界の異種グラフデータに対する大規模な実験により、提案したHetGTCNとHetGTANは、半教師付きノード分類タスクにおける最先端のHGNNベースラインを効率的かつ一貫して上回り、性能を損なうことなく深く進むことができることを示した。

関連論文リスト

• HAGNN: Hybrid Aggregation for Heterogeneous Graph Neural Networks [15.22198175691658]
  異種グラフニューラルネットワーク(GNN)は異種グラフの処理に成功している。 近年の研究では、メタパスを持たない単純な同質グラフモデルでも同等の結果が得られることが指摘されている。 ヘテロジニアスグラフにおけるリッチな型意味情報(HAGNN)を包括的に活用するための新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-07-04T10:40:20Z)
• Seq-HGNN: Learning Sequential Node Representation on Heterogeneous Graph [57.2953563124339]
  本稿では,シーケンシャルノード表現,すなわちSeq-HGNNを用いた新しい異種グラフニューラルネットワークを提案する。 Heterogeneous Graph Benchmark (HGB) と Open Graph Benchmark (OGB) の4つの広く使われているデータセットについて広範な実験を行った。
  論文  参考訳（メタデータ） (2023-05-18T07:27:18Z)
• 2-hop Neighbor Class Similarity (2NCS): A graph structural metric indicative of graph neural network performance [4.051099980410583]
  グラフニューラルネットワーク(GNN)は、多数のドメインにわたるグラフ構造化データに対して最先端のパフォーマンスを実現する。 異なるタイプのノードが接続されるヘテロ親和性グラフでは、GNNは一貫して機能しない。 2-hop Neighbor Class similarity (2NCS) は、GNNのパフォーマンスと、他の指標よりも強く、一貫して相関する新しい定量的グラフ構造特性である。
  論文  参考訳（メタデータ） (2022-12-26T16:16:51Z)
• Exploiting Neighbor Effect: Conv-Agnostic GNNs Framework for Graphs with Heterophily [58.76759997223951]
  我々はフォン・ノイマンエントロピーに基づく新しい計量を提案し、GNNのヘテロフィリー問題を再検討する。 また、異種データセット上でのほとんどのGNNの性能を高めるために、Conv-Agnostic GNNフレームワーク(CAGNN)を提案する。
  論文  参考訳（メタデータ） (2022-03-19T14:26:43Z)
• Incorporating Heterophily into Graph Neural Networks for Graph Classification [6.709862924279403]
  グラフニューラルネットワーク(GNN)は、しばしばグラフ分類において強いホモフィリを仮定し、ヘテロフィリを考えることは滅多にない。 We developed a novel GNN architecture called IHGNN (short for Incorporated Heterophily into Graph Neural Networks) 我々は、様々なグラフデータセット上でIHGNNを実証的に検証し、グラフ分類のための最先端のGNNよりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-03-15T06:48:35Z)
• Graph Neural Networks for Graphs with Heterophily: A Survey [98.45621222357397]
  異種グラフに対するグラフニューラルネットワーク(GNN)の総合的なレビューを提供する。 具体的には,既存の異好性GNNモデルを本質的に支配する系統分類法を提案する。 グラフヘテロフィリーと様々なグラフ研究領域の相関を議論し、より効果的なGNNの開発を促進することを目的とした。
  論文  参考訳（メタデータ） (2022-02-14T23:07:47Z)
• 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)
• Graph Highway Networks [77.38665506495553]
  グラフ畳み込みネットワーク(GCN)は、グラフ表現の有効性と効率性から、グラフ表現の学習に広く利用されている。 彼らは、多くの層が積み重ねられたとき、学習された表現が類似したベクトルに収束するという悪名高い過度に滑らかな問題に悩まされる。 本稿では,GCN学習プロセスにおける均一性と不均一性との間のトレードオフのバランスをとるため,ゲーティングユニットを利用したグラフハイウェイネットワークを提案する。
  論文  参考訳（メタデータ） (2020-04-09T16:26:43Z)
• Bilinear Graph Neural Network with Neighbor Interactions [106.80781016591577]
  グラフニューラルネットワーク(GNN)は,グラフデータ上で表現を学習し,予測を行う強力なモデルである。 本稿では,グラフ畳み込み演算子を提案し,隣接するノードの表現の対の相互作用で重み付け和を増大させる。 このフレームワークをBGNN(Bilinear Graph Neural Network)と呼び、隣ノード間の双方向相互作用によるGNN表現能力を向上させる。
  論文  参考訳（メタデータ） (2020-02-10T06:43:38Z)

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。