論文の概要: Differentiable Meta Multigraph Search with Partial Message Propagation
on Heterogeneous Information Networks
- arxiv url: http://arxiv.org/abs/2211.14752v1
- Date: Sun, 27 Nov 2022 07:35:42 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-29 14:26:07.253277
- Title: Differentiable Meta Multigraph Search with Partial Message Propagation
on Heterogeneous Information Networks
- Title(参考訳): 不均一情報ネットワークにおける部分的メッセージ伝搬を用いた異種メタマルチグラフ探索
- Authors: Chao Li, Hao Xu, Kun He
- Abstract要約: 異種情報ネットワーク(HIN)上でのニューラルネットワーク設計を自動的に最適化するPMMM(Partial Message Meta Multigraph Search)を提案する。
PMMMは、意味のあるメタマルチグラフを探すために効率的な微分可能なフレームワークを採用しており、メタグラフよりも柔軟で複雑なセマンティックな関係を捉えることができる。
我々の手法は、最先端の異種GNNより優れ、意味のあるメタマルチグラフを見つけ、より安定している。
- 参考スコア(独自算出の注目度): 18.104982772430102
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Heterogeneous information networks (HINs) are widely employed for describing
real-world data with intricate entities and relationships. To automatically
utilize their semantic information, graph neural architecture search has
recently been developed on various tasks of HINs. Existing works, on the other
hand, show weaknesses in instability and inflexibility. To address these
issues, we propose a novel method called Partial Message Meta Multigraph search
(PMMM) to automatically optimize the neural architecture design on HINs.
Specifically, to learn how graph neural networks (GNNs) propagate messages
along various types of edges, PMMM adopts an efficient differentiable framework
to search for a meaningful meta multigraph, which can capture more flexible and
complex semantic relations than a meta graph. The differentiable search
typically suffers from performance instability, so we further propose a stable
algorithm called partial message search to ensure that the searched meta
multigraph consistently surpasses the manually designed meta-structures, i.e.,
meta-paths. Extensive experiments on six benchmark datasets over two
representative tasks, including node classification and recommendation,
demonstrate the effectiveness of the proposed method. Our approach outperforms
the state-of-the-art heterogeneous GNNs, finds out meaningful meta multigraphs,
and is significantly more stable.
- Abstract(参考訳): 不均一情報ネットワーク(HIN)は、複雑な実体と関係を持つ現実世界のデータを記述するために広く利用されている。
意味情報を自動的に活用するために,近年,HINの様々なタスクに基づいてグラフニューラルアーキテクチャ検索が開発されている。
一方、既存の作品は不安定さと柔軟性の弱点を示している。
これらの問題に対処するために,HINのニューラルネットワーク設計を自動的に最適化する部分メッセージメタグラフ探索(PMMM)を提案する。
具体的には、グラフニューラルネットワーク(gnn)が様々な種類のエッジに沿ってメッセージを伝達する方法を学ぶために、pmmmは効率的な微分可能なフレームワークを採用して有意義なメタマルチグラフを検索し、メタグラフよりも柔軟で複雑な意味関係を捉えることができる。
微分可能探索は、通常、性能の不安定さに悩まされるため、探索されたメタマルチグラフが手作業で設計したメタパス、すなわちメタパスを一貫して上回るよう、部分的メッセージサーチと呼ばれる安定なアルゴリズムを提案する。
ノード分類とレコメンデーションを含む2つの代表的なタスクに対する6つのベンチマークデータセットの大規模な実験により,提案手法の有効性が示された。
我々の手法は、最先端の異種GNNより優れ、意味のあるメタマルチグラフを見つけ、より安定している。
関連論文リスト
- Scalable Weibull Graph Attention Autoencoder for Modeling Document Networks [50.42343781348247]
解析条件後部を解析し,推論精度を向上させるグラフポアソン因子分析法(GPFA)を開発した。
また,GPFAを多層構造に拡張したグラフPoisson gamma belief Network (GPGBN) を用いて,階層的な文書関係を複数の意味レベルで捉える。
本モデルでは,高品質な階層型文書表現を抽出し,様々なグラフ解析タスクにおいて有望な性能を実現する。
論文 参考訳(メタデータ) (2024-10-13T02:22:14Z) - ADAMM: Anomaly Detection of Attributed Multi-graphs with Metadata: A
Unified Neural Network Approach [39.211176955683285]
有向多重グラフを処理する新しいグラフニューラルネットワークモデルADAMMを提案する。
ADAMMは、教師なしの異常検出目的を通じてメタデータとグラフレベルの表現学習を融合する。
論文 参考訳(メタデータ) (2023-11-13T14:19:36Z) - Meta-multigraph Search: Rethinking Meta-structure on Heterogeneous
Information Networks [18.104982772430102]
本稿では,メタパスやメタグラフなどの既存のメタ構造について検討し,当初は手動で定型パターンで設計されていることを観察する。
メタグラフのより表現的かつ柔軟な一般化としてメタマルチグラフという新しい概念を提案する。
メタマルチグラフの柔軟性は冗長メッセージを伝播する可能性があるため、複素整合(C2C)メタマルチグラフを導入する。
論文 参考訳(メタデータ) (2023-04-23T08:15:20Z) - Multi-view Graph Convolutional Networks with Differentiable Node
Selection [29.575611350389444]
差別化可能なノード選択(MGCN-DNS)を備えた多視点グラフ畳み込みネットワーク(Multi-view Graph Convolutional Network)を提案する。
MGCN-DNSは、マルチチャネルグラフ構造データを入力として受け入れ、微分可能なニューラルネットワークを通じてより堅牢なグラフ融合を学ぶことを目的としている。
提案手法の有効性は,最先端手法と厳密な比較により検証した。
論文 参考訳(メタデータ) (2022-12-09T21:48:36Z) - Automatic Relation-aware Graph Network Proliferation [182.30735195376792]
GNNを効率的に検索するためのARGNP(Automatic Relation-Aware Graph Network Proliferation)を提案する。
これらの操作は階層的なノード/リレーショナル情報を抽出し、グラフ上のメッセージパッシングのための異方的ガイダンスを提供する。
4つのグラフ学習タスクのための6つのデータセットの実験により、我々の手法によって生成されたGNNは、現在最先端の手作りおよび検索に基づくGNNよりも優れていることが示された。
論文 参考訳(メタデータ) (2022-05-31T10:38:04Z) - 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) - mSHINE: A Multiple-meta-paths Simultaneous Learning Framework for
Heterogeneous Information Network Embedding [15.400191040779376]
不均一情報ネットワーク(HIN)は、明示的なネットワーク構造を用いて、豊富な情報を持つオブジェクトをモデル化するために用いられる。
従来のネットワーク埋め込みアルゴリズムは、HINによって提供される潜在的に互換性のないセマンティクスを捕えるのに最適である。
mSHINEは、異なるメタパスのための複数のノード表現を同時に学習するように設計されている。
論文 参考訳(メタデータ) (2021-04-06T11:35:56Z) - 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) - DiffMG: Differentiable Meta Graph Search for Heterogeneous Graph Neural
Networks [45.075163625895286]
我々はメタグラフを探索し、メタパスよりも複雑なセマンティック関係をキャプチャし、グラフニューラルネットワークが異なるタイプのエッジに沿ってメッセージを伝播する方法を決定する。
我々は、HINの候補メタグラフを表すために、有向非巡回グラフ(DAG)の形式で表現型検索空間を設計する。
本稿では,1回のGNNトレーニングに匹敵する検索コストを1対1に抑えるための,新しい効率的な探索アルゴリズムを提案する。
論文 参考訳(メタデータ) (2020-10-07T08:09:29Z) - Policy-GNN: Aggregation Optimization for Graph Neural Networks [60.50932472042379]
グラフニューラルネットワーク(GNN)は、局所的なグラフ構造をモデル化し、隣人からの情報を集約することで階層的なパターンを捉えることを目的としている。
複雑なグラフとスパースな特徴を与えられた各ノードに対して効果的なアグリゲーション戦略を開発することは難しい課題である。
本稿では,GNNのサンプリング手順とメッセージパッシングを複合学習プロセスにモデル化するメタ政治フレームワークであるPolicy-GNNを提案する。
論文 参考訳(メタデータ) (2020-06-26T17:03:06Z)
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。