論文の概要: FakeEdge: Alleviate Dataset Shift in Link Prediction

• arxiv url: http://arxiv.org/abs/2211.15899v1
• Date: Tue, 29 Nov 2022 03:36:01 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-30 15:47:50.529789
• Title: FakeEdge: Alleviate Dataset Shift in Link Prediction
• Title（参考訳）: FakeEdge: リンク予測におけるデータセットシフトの軽減
• Authors: Kaiwen Dong, Yijun Tian, Zhichun Guo, Yang Yang, Nitesh V. Chawla
• Abstract要約: リンク予測タスクでは、テストセット内のリンクがまだ形成されていない間に、トレーニングセット内のリンクが常に存在し、接続パターンの相違と学習された表現のバイアスが発生する。 本研究では,学習セットとテストセット間のグラフトポロジ的ギャップを緩和し,モデルに依存しないFakeEdgeを提案する。
• 参考スコア（独自算出の注目度）: 16.161812856581676
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Link prediction is a crucial problem in graph-structured data. Due to the recent success of graph neural networks (GNNs), a variety of GNN-based models were proposed to tackle the link prediction task. Specifically, GNNs leverage the message passing paradigm to obtain node representation, which relies on link connectivity. However, in a link prediction task, links in the training set are always present while ones in the testing set are not yet formed, resulting in a discrepancy of the connectivity pattern and bias of the learned representation. It leads to a problem of dataset shift which degrades the model performance. In this paper, we first identify the dataset shift problem in the link prediction task and provide theoretical analyses on how existing link prediction methods are vulnerable to it. We then propose FakeEdge, a model-agnostic technique, to address the problem by mitigating the graph topological gap between training and testing sets. Extensive experiments demonstrate the applicability and superiority of FakeEdge on multiple datasets across various domains.
• Abstract（参考訳）: グラフ構造データではリンク予測が重要な問題である。 近年、グラフニューラルネットワーク(GNN)の成功により、リンク予測タスクに取り組むために、さまざまなGNNベースのモデルが提案されている。 具体的には、GNNはメッセージパッシングパラダイムを利用して、リンク接続に依存するノード表現を得る。 しかし、リンク予測タスクでは、トレーニングセット内のリンクは常に存在し、テストセット内のリンクはまだ形成されていないため、接続パターンと学習された表現のバイアスとの相違が生じる。 これは、モデルパフォーマンスを劣化させるデータセットシフトの問題につながる。 本稿では,まず,リンク予測タスクにおけるデータセットシフト問題を特定し,既存のリンク予測手法の脆弱性に関する理論的解析を行う。 次に,モデルに依存しない手法であるfakeedgeを提案し,トレーニングとテストセット間のグラフトポロジ的ギャップを緩和する。 大規模な実験は、さまざまなドメインにわたる複数のデータセットに対するFakeEdgeの適用性と優位性を示している。

関連論文リスト

• PULL: PU-Learning-based Accurate Link Prediction [12.8532740199204]
  エッジ不完全グラフが与えられたら、どのようにして不足するリンクを正確に見つけることができるのか? 本稿では, PULL (PU-Learning-based Link predictor) を提案する。 PULLは、エッジ不完全グラフのリンクを予測するベースラインを一貫して上回る。
  論文  参考訳（メタデータ） (2024-05-20T09:47:22Z)
• Link Prediction without Graph Neural Networks [7.436429318051601]
  リンク予測は多くのグラフアプリケーションにおいて基本的なタスクである。 グラフニューラルネットワーク(GNN)がリンク予測の主要なフレームワークとなっている。 グラフ学習による属性情報によって強化されたグラフにトポロジ中心のフレームワークを適用する新しいフレームワークであるGelatoを提案する。
  論文  参考訳（メタデータ） (2023-05-23T03:59:21Z)
• 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)
• Text Representation Enrichment Utilizing Graph based Approaches: Stock Market Technical Analysis Case Study [0.0]
  本稿では,教師なしノード表現学習モデルとノード分類/エッジ予測モデルを組み合わせたトランスダクティブハイブリッド手法を提案する。 提案手法は,この分野における最初の研究である株式市場の技術分析報告を分類するために開発された。
  論文  参考訳（メタデータ） (2022-11-29T11:26:08Z)
• Model Inversion Attacks against Graph Neural Networks [65.35955643325038]
  グラフニューラルネットワーク(GNN)に対するモデル反転攻撃について検討する。 本稿では,プライベートトレーニンググラフデータを推測するためにGraphMIを提案する。 実験の結果,このような防御効果は十分ではないことが示され,プライバシー攻撃に対するより高度な防御が求められている。
  論文  参考訳（メタデータ） (2022-09-16T09:13:43Z)
• Invertible Neural Networks for Graph Prediction [22.140275054568985]
  本研究では,ディープ・インバーチブル・ニューラルネットワークを用いた条件生成について述べる。 私たちの目標は,前処理と後処理の予測と生成を同時に行うことにあるので,エンドツーエンドのトレーニングアプローチを採用しています。
  論文  参考訳（メタデータ） (2022-06-02T17:28:33Z)
• Neural Graph Matching for Pre-training Graph Neural Networks [72.32801428070749]
  グラフニューラルネットワーク(GNN)は、構造データのモデリングにおいて強力な能力を示している。 GMPTと呼ばれる新しいグラフマッチングベースのGNN事前学習フレームワークを提案する。 提案手法は,完全自己指導型プレトレーニングと粗粒型プレトレーニングに適用できる。
  論文  参考訳（メタデータ） (2022-03-03T09:53:53Z)
• Training Robust Graph Neural Networks with Topology Adaptive Edge Dropping [116.26579152942162]
  グラフニューラルネットワーク(GNN)は、グラフ構造情報を利用してネットワークデータから表現をモデル化する処理アーキテクチャである。 彼らの成功にもかかわらず、GNNは限られた訓練データから得られる準最適一般化性能に悩まされている。 本稿では、一般化性能を改善し、堅牢なGNNモデルを学習するためのトポロジ適応エッジドロップ法を提案する。
  論文  参考訳（メタデータ） (2021-06-05T13:20:36Z)
• An Introduction to Robust Graph Convolutional Networks [71.68610791161355]
  本論文では, 誤りのある単一ビューあるいは複数ビューのデータに対して, 新たなロバストグラフ畳み込みニューラルネットワークを提案する。 従来のグラフ畳み込みネットワークにAutoencodersを介して余分なレイヤを組み込むことで、典型的なエラーモデルを明示的に特徴付けおよび処理します。
  論文  参考訳（メタデータ） (2021-03-27T04:47:59Z)
• Learning to Extrapolate Knowledge: Transductive Few-shot Out-of-Graph Link Prediction [69.1473775184952]
  数発のアウトオブグラフリンク予測という現実的な問題を導入する。 我々は,新しいメタ学習フレームワークによってこの問題に対処する。 我々は,知識グラフの補完と薬物と薬物の相互作用予測のために,複数のベンチマークデータセット上でモデルを検証した。
  論文  参考訳（メタデータ） (2020-06-11T17:42:46Z)

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。