論文の概要: Meta-node: A Concise Approach to Effectively Learn Complex Relationships in Heterogeneous Graphs

• arxiv url: http://arxiv.org/abs/2210.14480v1
• Date: Wed, 26 Oct 2022 05:04:29 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-27 13:47:25.366328
• Title: Meta-node: A Concise Approach to Effectively Learn Complex Relationships in Heterogeneous Graphs
• Title（参考訳）: meta-node:不均一グラフの複雑な関係を効果的に学習するための簡潔なアプローチ
• Authors: Jiwoong Park, Jisu Jeong, Kyungmin Kim, Jin Young Choi
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 18.65171129524357
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Existing message passing neural networks for heterogeneous graphs rely on the concepts of meta-paths or meta-graphs due to the intrinsic nature of heterogeneous graphs. However, the meta-paths and meta-graphs need to be pre-configured before learning and are highly dependent on expert knowledge to construct them. To tackle this challenge, we propose a novel concept of meta-node for message passing that can learn enriched relational knowledge from complex heterogeneous graphs without any meta-paths and meta-graphs by explicitly modeling the relations among the same type of nodes. Unlike meta-paths and meta-graphs, meta-nodes do not require any pre-processing steps that require expert knowledge. Going one step further, we propose a meta-node message passing scheme and apply our method to a contrastive learning model. In the experiments on node clustering and classification tasks, the proposed meta-node message passing method outperforms state-of-the-arts that depend on meta-paths. Our results demonstrate that effective heterogeneous graph learning is possible without the need for meta-paths that are frequently used in this field.
• Abstract（参考訳）: 異種グラフに対する既存のメッセージパッシングニューラルネットワークは、異種グラフの本質的な性質のため、メタパスやメタグラフの概念に依存している。 しかし、メタパスとメタグラフは学習する前に事前設定されなければならず、それらを構築するための専門家の知識に大きく依存している。 この課題に対処するために,同種のノード間の関係を明示的にモデル化することにより,メタパスやメタグラフなしで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。 さらに,メタノードメッセージパッシング方式を提案し,その手法を対照的な学習モデルに適用する。 ノードクラスタリングと分類タスクの実験において、提案するメタノードメッセージパッシング手法は、メタパスに依存する最先端技術を上回る。 この分野で頻繁に使用されるメタパスを必要とせずに、有効な異種グラフ学習が可能であることを示す。

関連論文リスト

• M2HGCL: Multi-Scale Meta-Path Integrated Heterogeneous Graph Contrastive Learning [16.391439666603578]
  マルチスケールなメタパス統合ヘテロジニアスグラフコントラスト学習(M2HGCL)モデルを提案する。 具体的には、メタパスを拡大し、直接的な隣接情報、初期メタパス隣情報、拡張されたメタパス隣情報とを共同で集約する。 3つの実世界のデータセットに関する広範な実験を通して、M2HGCLが現在の最先端のベースラインモデルより優れていることを示す。
  論文  参考訳（メタデータ） (2023-09-03T06:39:56Z)
• 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)
• MetaFill: Text Infilling for Meta-Path Generation on Heterogeneous Information Networks [7.501059084460409]
  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。
  論文  参考訳（メタデータ） (2022-10-14T03:34:09Z)
• 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)
• Weakly-supervised Graph Meta-learning for Few-shot Node Classification [53.36828125138149]
  新しいグラフメタ学習フレームワーク - Graph Hallucination Networks (Meta-GHN) を提案する。 新たなロバストネス強化エピソードトレーニングに基づいて、Meta-GHNは、弱いラベル付きデータからクリーンノード表現を幻覚させるメタ学習を行う。 大規模な実験は、既存のグラフメタ学習研究よりもMeta-GHNの方が優れていることを示す。
  論文  参考訳（メタデータ） (2021-06-12T22:22:10Z)
• 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)
• Metapaths guided Neighbors aggregated Network for?Heterogeneous Graph Reasoning [5.228629954007088]
  メタパス誘導隣り合わせ型非均質グラフニューラルネットワークを提案し,性能向上を図る。 提案したMHNの3つの実世界の異種グラフデータセットに対する広範な実験を行った。
  論文  参考訳（メタデータ） (2021-03-11T05:42:06Z)
• 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)
• Topology-aware Tensor Decomposition for Meta-graph Learning [33.70569156426479]
  不均一グラフから有用な情報を抽出するための一般的なアプローチは、メタグラフを使用することである。 メタグラフの学習におけるテンソルからの新たな視点を提案する。 また、DAGの構造を反映した位相対応テンソル分解(TENSUS)を提案する。
  論文  参考訳（メタデータ） (2021-01-04T16:38:00Z)

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。