論文の概要: Position-Aware Subgraph Neural Networks with Data-Efficient Learning
- arxiv url: http://arxiv.org/abs/2211.00572v1
- Date: Tue, 1 Nov 2022 16:34:42 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-02 14:17:19.079023
- Title: Position-Aware Subgraph Neural Networks with Data-Efficient Learning
- Title（参考訳）: データ効率学習による位置認識サブグラフニューラルネットワーク
- Authors: Chang Liu, Yuwen Yang, Zhe Xie, Hongtao Lu, Yue Ding
- Abstract要約: PADELと呼ばれるサブグラフニューラルネットワークのための位置認識型データ効率学習フレームワークを提案する。
具体的には、アンカーフリーな新しいノード位置符号化法を提案し、拡散変動部分グラフオートエンコーダに基づく新しい生成部分グラフ拡張法を設計する。
- 参考スコア（独自算出の注目度）: 15.58680146160525
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Data-efficient learning on graphs (GEL) is essential in real-world
applications. Existing GEL methods focus on learning useful representations for
nodes, edges, or entire graphs with ``small'' labeled data. But the problem of
data-efficient learning for subgraph prediction has not been explored. The
challenges of this problem lie in the following aspects: 1) It is crucial for
subgraphs to learn positional features to acquire structural information in the
base graph in which they exist. Although the existing subgraph neural network
method is capable of learning disentangled position encodings, the overall
computational complexity is very high. 2) Prevailing graph augmentation methods
for GEL, including rule-based, sample-based, adaptive, and automated methods,
are not suitable for augmenting subgraphs because a subgraph contains fewer
nodes but richer information such as position, neighbor, and structure.
Subgraph augmentation is more susceptible to undesirable perturbations. 3) Only
a small number of nodes in the base graph are contained in subgraphs, which
leads to a potential ``bias'' problem that the subgraph representation learning
is dominated by these ``hot'' nodes. By contrast, the remaining nodes fail to
be fully learned, which reduces the generalization ability of subgraph
representation learning. In this paper, we aim to address the challenges above
and propose a Position-Aware Data-Efficient Learning framework for subgraph
neural networks called PADEL. Specifically, we propose a novel node position
encoding method that is anchor-free, and design a new generative subgraph
augmentation method based on a diffused variational subgraph autoencoder, and
we propose exploratory and exploitable views for subgraph contrastive learning.
Extensive experiment results on three real-world datasets show the superiority
of our proposed method over state-of-the-art baselines.
- Abstract（参考訳）: データ効率のよいグラフ学習(GEL)は、現実世界のアプリケーションでは不可欠である。
既存のGELメソッドでは、ノード、エッジ、あるいはグラフ全体の有用な表現を ``small'' ラベル付きデータで学習することに重点を置いている。
しかし, サブグラフ予測におけるデータ効率学習の問題については検討されていない。
この問題の課題は以下の側面にある。
1) サブグラフは位置の特徴を学習し,その基盤となるグラフの構造情報を取得することが重要である。
既存のサブグラフニューラルネットワーク法では、不連続な位置エンコーディングを学習できるが、全体的な計算複雑性は極めて高い。
2) ルールベース, サンプルベース, 適応, 自動手法を含む GEL のグラフ増補法は, グラフがノードが少なく, 位置, 近傍, 構造などのリッチな情報を含むため, サブグラフの増補には適さない。
サブグラフの増強は望ましくない摂動の影響を受けやすい。
3) 基本グラフには少数のノードしか含まれていないため,サブグラフ表現学習がこれらの‘hot'ノードに支配されているという潜在的な ``bias'' 問題が発生する。
対照的に、残りのノードは完全な学習に失敗し、サブグラフ表現学習の一般化能力が低下する。
本稿では,これらの課題に対処し,PADELと呼ばれるサブグラフニューラルネットワークのための位置認識型データ効率学習フレームワークを提案する。
具体的には,アンカーフリーな新しいノード位置符号化法を提案し,拡散型変分部分グラフオートエンコーダに基づく新しい生成的部分グラフ拡張法を考案し,部分グラフコントラスト学習のための探索的かつ活用可能なビューを提案する。
3つの実世界のデータセットにおける広範な実験結果から,提案手法が最先端のベースラインよりも優れていることが示された。
関連論文リスト
- Deep Manifold Graph Auto-Encoder for Attributed Graph Embedding [51.75091298017941]
本稿では,属性付きグラフデータに対する新しいDeep Manifold (Variational) Graph Auto-Encoder (DMVGAE/DMGAE)を提案する。
提案手法は,最先端のベースラインアルゴリズムを,一般的なデータセット間でのダウンストリームタスクの差を大きく越える。
論文 参考訳（メタデータ） (2024-01-12T17:57:07Z) - Local Structure-aware Graph Contrastive Representation Learning [12.554113138406688]
複数のビューからノードの構造情報をモデル化するための局所構造対応グラフ比較表現学習法(LS-GCL)を提案する。
ローカルビューでは、各ターゲットノードのセマンティックサブグラフが共有GNNエンコーダに入力され、サブグラフレベルに埋め込まれたターゲットノードを取得する。
グローバルな視点では、元のグラフはノードの必要不可欠な意味情報を保存しているので、共有GNNエンコーダを利用して、グローバルなグラフレベルでターゲットノードの埋め込みを学習する。
論文 参考訳（メタデータ） (2023-08-07T03:23:46Z) - NodeFormer: A Scalable Graph Structure Learning Transformer for Node
Classification [70.51126383984555]
本稿では,任意のノード間のノード信号を効率的に伝搬する全ペアメッセージパッシング方式を提案する。
効率的な計算は、カーナライズされたGumbel-Softmax演算子によって実現される。
グラフ上のノード分類を含む様々なタスクにおいて,本手法の有望な有効性を示す実験を行った。
論文 参考訳（メタデータ） (2023-06-14T09:21:15Z) - Stochastic Subgraph Neighborhood Pooling for Subgraph Classification [2.1270496914042996]
Subgraph Neighborhood Pooling (SSNP) は、ラベル付けトリックのような計算コストの高い操作をすることなく、サブグラフとその周辺情報を共同で集約する。
実験により、我々のモデルは、トレーニングにおいて最大3倍高速でありながら、最先端の手法(マージンが最大2%)より優れています。
論文 参考訳（メタデータ） (2023-04-17T18:49:18Z) - Rethinking Explaining Graph Neural Networks via Non-parametric Subgraph
Matching [68.35685422301613]
そこで我々はMatchExplainerと呼ばれる新しい非パラメトリックな部分グラフマッチングフレームワークを提案し、説明的部分グラフを探索する。
ターゲットグラフと他のインスタンスを結合し、ノードに対応する距離を最小化することで最も重要な結合部分構造を識別する。
合成および実世界のデータセットの実験は、最先端のパラメトリックベースラインをかなりのマージンで上回り、MatchExplainerの有効性を示す。
論文 参考訳（メタデータ） (2023-01-07T05:14:45Z) - A Robust Stacking Framework for Training Deep Graph Models with
Multifaceted Node Features [61.92791503017341]
数値ノード特徴とグラフ構造を入力とするグラフニューラルネットワーク(GNN)は,グラフデータを用いた各種教師付き学習タスクにおいて,優れた性能を示した。
IID(non-graph)データをGNNに簡単に組み込むことはできない。
本稿では、グラフ認識の伝播をIDデータに意図した任意のモデルで融合するロバストな積み重ねフレームワークを提案する。
論文 参考訳（メタデータ） (2022-06-16T22:46:33Z) - 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) - Graph Information Bottleneck for Subgraph Recognition [103.37499715761784]
本稿では,深層グラフ学習における部分グラフ認識問題に対するグラフ情報ブートネック(GIB)の枠組みを提案する。
この枠組みの下では、最大情報でありながら圧縮的な部分グラフ(IB-subgraph)を認識できる。
IB-サブグラフの特性を3つのアプリケーションシナリオで評価する。
論文 参考訳（メタデータ） (2020-10-12T09:32:20Z) - Sub-graph Contrast for Scalable Self-Supervised Graph Representation
Learning [21.0019144298605]
既存のグラフニューラルネットワークは、計算量やメモリコストが限られているため、完全なグラフデータで供給される。
textscSubg-Conは、中央ノードとそのサンプルサブグラフ間の強い相関を利用して、地域構造情報をキャプチャすることで提案される。
既存のグラフ表現学習アプローチと比較して、textscSubg-Conは、より弱い監視要件、モデル学習のスケーラビリティ、並列化において、顕著なパフォーマンス上のアドバンテージを持っています。
論文 参考訳（メタデータ） (2020-09-22T01:58:19Z) - Subgraph Neural Networks [14.222887950206662]
本稿では,不整合部分グラフ表現を学習するためのサブグラフニューラルネットワークSubGNNを紹介する。
SubGNNは、挑戦的なバイオメディカルデータセットで非常によく機能する。
論文 参考訳（メタデータ） (2020-06-18T13:54:30Z)
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。