論文の概要: MetaFill: Text Infilling for Meta-Path Generation on Heterogeneous Information Networks

• arxiv url: http://arxiv.org/abs/2210.07488v1
• Date: Fri, 14 Oct 2022 03:34:09 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-17 16:25:17.559152
• Title: MetaFill: Text Infilling for Meta-Path Generation on Heterogeneous Information Networks
• Title（参考訳）: MetaFill: 異種情報ネットワーク上でのメタパス生成のためのテキスト入力
• Authors: Zequn Liu, Kefei Duan, Junwei Yang, Hanwen Xu, Ming Zhang, Sheng Wang
• Abstract要約: Heterogeneous Information Network (HIN) は、複数のエッジタイプとノードタイプを含む複雑なネットワークを研究するために不可欠である。 既存のメタパス生成アプローチでは、HINのリッチテキスト情報を十分に活用することはできない。 メタパス生成のためのテキスト埋込型アプローチであるMetaFillを提案する。
• 参考スコア（独自算出の注目度）: 7.501059084460409
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Heterogeneous Information Network (HIN) is essential to study complicated networks containing multiple edge types and node types. Meta-path, a sequence of node types and edge types, is the core technique to embed HINs. Since manually curating meta-paths is time-consuming, there is a pressing need to develop automated meta-path generation approaches. Existing meta-path generation approaches cannot fully exploit the rich textual information in HINs, such as node names and edge type names. To address this problem, we propose MetaFill, a text-infilling-based approach for meta-path generation. The key idea of MetaFill is to formulate meta-path identification problem as a word sequence infilling problem, which can be advanced by Pretrained Language Models (PLMs). We observed the superior performance of MetaFill against existing meta-path generation methods and graph embedding methods that do not leverage meta-paths in both link prediction and node classification on two real-world HIN datasets. We further demonstrated how MetaFill can accurately classify edges in the zero-shot setting, where existing approaches cannot generate any meta-paths. MetaFill exploits PLMs to generate meta-paths for graph embedding, opening up new avenues for language model applications in graph analysis.
• Abstract（参考訳）: Heterogeneous Information Network (HIN) は、複数のエッジタイプとノードタイプを含む複雑なネットワークを研究するために不可欠である。 ノードタイプとエッジタイプのシーケンスであるmeta-pathはhinを埋め込むためのコアテクニックである。 メタパスを手動でキュレートするのは時間を要するため、自動メタパス生成アプローチを開発する必要がある。 既存のメタパス生成アプローチでは、ノード名やエッジタイプ名など、HINの豊富なテキスト情報を十分に活用することはできない。 この問題に対処するため,メタパス生成のためのテキスト埋込型アプローチであるMetaFillを提案する。 MetaFillのキーとなる考え方は、メタパス識別問題を単語列埋め込み問題として定式化し、事前学習言語モデル(PLM)によって前進させることである。 2つの実世界のhinデータセットにおけるリンク予測とノード分類の両方においてメタパスを活用しない既存のメタパス生成法とグラフ埋め込み法に対するメタフィルの優れた性能を観察した。 さらに,既存の手法ではメタパスを生成できないゼロショット設定において,metafillがエッジを正確に分類できることを実証した。 MetaFillはPLMを利用してグラフ埋め込みのためのメタパスを生成し、グラフ解析における言語モデルアプリケーションのための新たな道を開く。

関連論文リスト

• Context-Aware Meta-Learning [52.09326317432577]
  本研究では,大規模言語モデルのエミュレートを行うメタ学習アルゴリズムを提案する。 我々のアプローチは、11のメタラーニングベンチマークのうち8つで最先端のアルゴリズムであるP>M>Fを上回り、一致します。
  論文  参考訳（メタデータ） (2023-10-17T03:35:27Z)
• Inductive Meta-path Learning for Schema-complex Heterogeneous Information Networks [46.325577161493726]
  Heterogeneous Information Networks (HIN) は、複数のノードとエッジを持つ情報ネットワークである。 メタパスの概念、すなわち2つのエンティティを接続するエンティティタイプと関係型のシーケンスは、様々なHINタスクのためのメタレベル説明可能なセマンティクスを提供するために提案される。
  論文  参考訳（メタデータ） (2023-07-08T09:10:43Z)
• MECCH: Metapath Context Convolution-based Heterogeneous Graph Neural Networks [45.68142605304948]
  複数のノードとエッジを持つ構造データの表現学習のために、不均一グラフニューラルネットワーク(HGNN)が提案された。 メタパスコンテキスト畳み込みに基づく異種グラフニューラルネットワーク(MECCH)を提案する。
  論文  参考訳（メタデータ） (2022-11-23T09:13:33Z)
• Meta-node: A Concise Approach to Effectively Learn Complex Relationships in Heterogeneous Graphs [18.65171129524357]
  本稿では、メタパスやメタグラフを使わずに複雑な異種グラフから豊富な関係知識を学習できるメッセージパッシングのためのメタノードの概念を提案する。 メタパスやメタグラフとは異なり、メタノードは専門知識を必要とする事前処理ステップを必要としない。 ノードクラスタリングおよび分類タスクの実験において、提案手法は、メタパスに依存する最先端のメッセージパッシングよりも優れている。
  論文  参考訳（メタデータ） (2022-10-26T05:04:29Z)
• MetaFormer: A Unified Meta Framework for Fine-Grained Recognition [16.058297377539418]
  視覚的きめ細かい分類のための統一的で強力なメタフレームワークを提案する。 実際にMetaFormerは、視覚と様々なメタ情報の共同学習に対処するための、シンプルで効果的なアプローチを提供する。 実験では、MetaFormerは様々なメタ情報を利用して、きめ細かい認識の性能を向上させることができる。
  論文  参考訳（メタデータ） (2022-03-05T14:12:25Z)
• 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)
• MetaDelta: A Meta-Learning System for Few-shot Image Classification [71.06324527247423]
  数ショット画像分類のための新しいメタ学習システムであるMetaDeltaを提案する。 MetaDeltaの各メタラーナーは、バッチトレーニングによって微調整された独自の事前訓練エンコーダと、予測に使用されるパラメータフリーデコーダで構成されている。
  論文  参考訳（メタデータ） (2021-02-22T02:57:22Z)
• Metapath- and Entity-aware Graph Neural Network for Recommendation [10.583077434945187]
  グラフニューラルネットワーク(GNN)では、メッセージが反復的に隣人のノードの情報を集約する。 このようなシーケンシャルなノード接続、例えばメタパスは、下流のタスクに対する重要な洞察を捉えます。 我々は,共同サブグラフ(CSG)とメタパスを用いてメタパス認識サブグラフを作成する。 PEAGNNは多層GNNを訓練し、そのようなサブグラフ上でメタパス認識情報アグリゲーションを行う。
  論文  参考訳（メタデータ） (2020-10-22T15:14:30Z)
• Meta-Learning across Meta-Tasks for Few-Shot Learning [107.44950540552765]
  我々は,メタ・ラーニングを支援するために,メタ・タスク間の関係を活用すべきであり,これらのタスクを戦略的にサンプリングするべきだと論じている。 2種類のメタタスクペアで定義された関係を考察し、それらを活用するための異なる戦略を提案する。
  論文  参考訳（メタデータ） (2020-02-11T09:25:13Z)
• Incremental Meta-Learning via Indirect Discriminant Alignment [118.61152684795178]
  メタ学習のメタ学習段階において,段階的な学習の概念を発達させる。 我々のアプローチは、完全なメタトレーニングセットでモデルをトレーニングするのと比べて、テスト時に好適に機能する。
  論文  参考訳（メタデータ） (2020-02-11T01:39:12Z)

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。