論文の概要: A Node-collaboration-informed Graph Convolutional Network for Precise
Representation to Undirected Weighted Graphs
- arxiv url: http://arxiv.org/abs/2211.16689v1
- Date: Wed, 30 Nov 2022 02:20:19 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-01 18:08:35.822570
- Title: A Node-collaboration-informed Graph Convolutional Network for Precise
Representation to Undirected Weighted Graphs
- Title（参考訳）: 非方向重み付きグラフへの精密表現のためのノード協調型グラフ畳み込みネットワーク
- Authors: Ying Wang, Ye Yuan, Xin Luo
- Abstract要約: グラフ畳み込みネットワーク(GCN)は、重み付きグラフ(UWG)に表現学習を行うために広く採用されている。
本研究は, ノード間の協調を, 対称潜在因子分析モデルを用いてモデル化し, ノード協調モジュールとしてGCNの協調損失を補うことを提案する。
このアイデアに基づいて、ノード協調インフォームドグラフ畳み込みネットワーク(NGCN)が3倍のアイデアで提案されている。
- 参考スコア（独自算出の注目度）: 10.867583522217473
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: An undirected weighted graph (UWG) is frequently adopted to describe the
interactions among a solo set of nodes from real applications, such as the user
contact frequency from a social network services system. A graph convolutional
network (GCN) is widely adopted to perform representation learning to a UWG for
subsequent pattern analysis tasks such as clustering or missing data
estimation. However, existing GCNs mostly neglects the latent collaborative
information hidden in its connected node pairs. To address this issue, this
study proposes to model the node collaborations via a symmetric latent factor
analysis model, and then regards it as a node-collaboration module for
supplementing the collaboration loss in a GCN. Based on this idea, a
Node-collaboration-informed Graph Convolutional Network (NGCN) is proposed with
three-fold ideas: a) Learning latent collaborative information from the
interaction of node pairs via a node-collaboration module; b) Building the
residual connection and weighted representation propagation to obtain high
representation capacity; and c) Implementing the model optimization in an
end-to-end fashion to achieve precise representation to the target UWG.
Empirical studies on UWGs emerging from real applications demonstrate that
owing to its efficient incorporation of node-collaborations, the proposed NGCN
significantly outperforms state-of-the-art GCNs in addressing the task of
missing weight estimation. Meanwhile, its good scalability ensures its
compatibility with more advanced GCN extensions, which will be further
investigated in our future studies.
- Abstract（参考訳）: 非指向重み付きグラフ(UWG)は、ソーシャルネットワークサービスシステムからのユーザ接触頻度など、実際のアプリケーションからのノードの単独セット間の相互作用を記述するために頻繁に採用される。
グラフ畳み込みネットワーク(GCN)は、クラスタリングや欠落データ推定のようなその後のパターン解析タスクのためにUWGに表現学習を行うために広く採用されている。
しかし、既存のGCNは、接続されたノードペアに隠された潜在的な協調情報をほとんど無視している。
この問題に対処するため,本研究では,対称な潜在因子分析モデルを用いてノード協調をモデル化し,gcnにおける協調損失を補うノード協調モジュールとして検討する。
このアイデアに基づいて、ノード協調型グラフ畳み込みネットワーク(NGCN)が提案されている。
a) ノード対の相互作用からノード協調モジュールを介して潜在協調情報を学習すること。
ロ 高い表現能力を得るために残留接続及び重み付き表現の伝播を構築すること。
c) 対象UWGの正確な表現を実現するために、エンドツーエンドでモデル最適化を実装すること。
実応用から生じるUWGの実証研究は、ノード協調の効率的な取り込みにより、提案されたNGCNは、重量推定の欠如という課題に対処する上で、最先端のGCNよりも著しく優れていることを示した。
一方、優れたスケーラビリティにより、より高度なGCN拡張との互換性が保証され、今後の研究でさらに検討される予定である。
関連論文リスト
- Global Context Enhanced Anomaly Detection of Cyber Attacks via Decoupled Graph Neural Networks [0.0]
非線形ネットワーク情報をキャプチャする問題を克服するために、分離したGNNをデプロイする。
ノード表現学習のために,ノード特徴情報を集約する2つのモジュールを持つGNNアーキテクチャを開発する。
その結果,非結合型トレーニングとグローバルコンテキストの強化されたノード表現は,AUCにおける最先端モデルよりも優れていることがわかった。
論文 参考訳（メタデータ） (2024-09-04T21:54:07Z) - DGNN: Decoupled Graph Neural Networks with Structural Consistency
between Attribute and Graph Embedding Representations [62.04558318166396]
グラフニューラルネットワーク(GNN)は、複雑な構造を持つグラフ上での表現学習の堅牢性を示す。
ノードのより包括的な埋め込み表現を得るために、Decoupled Graph Neural Networks (DGNN)と呼ばれる新しいGNNフレームワークが導入された。
複数のグラフベンチマークデータセットを用いて、ノード分類タスクにおけるDGNNの優位性を検証した。
論文 参考訳（メタデータ） (2024-01-28T06:43:13Z) - DEGREE: Decomposition Based Explanation For Graph Neural Networks [55.38873296761104]
我々は,GNN予測に対する忠実な説明を提供するためにDGREEを提案する。
GNNの情報生成と集約機構を分解することにより、DECREEは入力グラフの特定のコンポーネントのコントリビューションを最終的な予測に追跡することができる。
また,従来の手法で見過ごされるグラフノード間の複雑な相互作用を明らかにするために,サブグラフレベルの解釈アルゴリズムを設計する。
論文 参考訳（メタデータ） (2023-05-22T10:29:52Z) - Neighborhood Convolutional Network: A New Paradigm of Graph Neural
Networks for Node Classification [12.062421384484812]
グラフ畳み込みネットワーク(GCN)は、各畳み込み層における近傍の集約と特徴変換を分離する。
本稿では,周辺畳み込みネットワーク(NCN)と呼ばれるGCNの新しいパラダイムを提案する。
このようにして、モデルは、近隣情報を集約するための分離GCNの利点を継承すると同時に、より強力な特徴学習モジュールを開発することができる。
論文 参考訳（メタデータ） (2022-11-15T02:02:51Z) - Flattened Graph Convolutional Networks For Recommendation [18.198536511983452]
本稿では,既存のモデルに比べて非常に少ない複雑さで優れた性能を達成できるフラット化GCN(FlatGCN)モデルを提案する。
まず,1つの平坦なGCN層を用いて周辺情報を集約する簡易かつ強力なGCNアーキテクチャを提案する。
次に,隣り合うノード間の相関を計測し,最も価値のある隣人を選択するための情報的隣人-infomaxサンプリング手法を提案する。
第3に,最終層に階層的近傍表現を組み立てることで,学習した表現の表現性を向上する層アンサンブル手法を提案する。
論文 参考訳（メタデータ） (2022-09-25T12:53:50Z) - SStaGCN: Simplified stacking based graph convolutional networks [2.556756699768804]
グラフ畳み込みネットワーク(GCN)は、様々なグラフ構造データ学習タスクにおいて広く研究されている強力なモデルである。
本稿では, SStaGCN (Simplified stacking based GCN) と呼ばれる新しいGCNを提案する。
SStaGCNはGCNの過密問題を効果的に軽減できることを示す。
論文 参考訳（メタデータ） (2021-11-16T05:00:08Z) - Node Similarity Preserving Graph Convolutional Networks [51.520749924844054]
グラフニューラルネットワーク(GNN)は、ノード近傍の情報を集約し変換することで、グラフ構造とノードの特徴を探索する。
グラフ構造を利用してノード類似性を効果的かつ効率的に保存できるSimP-GCNを提案する。
本研究は,SimP-GCNが3つの分類グラフと4つの非補助グラフを含む7つのベンチマークデータセットに対して有効であることを示す。
論文 参考訳（メタデータ） (2020-11-19T04:18:01Z) - Self-supervised Graph Learning for Recommendation [69.98671289138694]
ユーザ・イテムグラフを用いた自己教師型学習を推奨する。
補助的自己監督タスクは、自己識別によるノード表現学習を強化する。
3つのベンチマークデータセットに関する実証的研究は、SGLの有効性を示す。
論文 参考訳（メタデータ） (2020-10-21T06:35:26Z) - CatGCN: Graph Convolutional Networks with Categorical Node Features [99.555850712725]
CatGCNはグラフ学習に適したノード機能である。
エンドツーエンドでCatGCNを訓練し、半教師付きノード分類でそれを実証する。
論文 参考訳（メタデータ） (2020-09-11T09:25:17Z) - RGCF: Refined Graph Convolution Collaborative Filtering with concise and
expressive embedding [42.46797662323393]
我々はRefined Graph Convolution Collaborative Filtering(RGCF)というGCNベースの新しい協調フィルタリングモデルを開発した。
RGCFはグラフ内の暗黙の高次連結性を捉えることができ、結果として得られるベクトル表現はより表現力が高い。
我々は3つの公開百万規模のデータセットに対して広範な実験を行い、我々のRGCFが最先端のモデルを大幅に上回っていることを実証した。
論文 参考訳（メタデータ） (2020-07-07T12:26:10Z) - Cross-GCN: Enhancing Graph Convolutional Network with $k$-Order Feature
Interactions [153.6357310444093]
Graph Convolutional Network(GCN)は,グラフデータの学習と推論を行う新興技術である。
我々は、GCNの既存の設計がクロスフィーチャをモデリングし、クロスフィーチャが重要であるタスクやデータに対してGCNの効率を損なうことを論じている。
我々は、任意の次交叉特徴を、特徴次元と順序サイズに線形に複雑にモデル化した、クロスフィーチャーグラフ畳み込みという新しい演算子を設計する。
論文 参考訳（メタデータ） (2020-03-05T13:05:27Z)
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。