論文の概要: Refined Edge Usage of Graph Neural Networks for Edge Prediction
- arxiv url: http://arxiv.org/abs/2212.12970v3
- Date: Tue, 23 Jan 2024 07:57:55 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-24 20:06:38.580425
- Title: Refined Edge Usage of Graph Neural Networks for Edge Prediction
- Title（参考訳）: エッジ予測のためのグラフニューラルネットワークのエッジ利用
- Authors: Jiarui Jin, Yangkun Wang, Weinan Zhang, Quan Gan, Xiang Song, Yong Yu,
Zheng Zhang, David Wipf
- Abstract要約: We propose a novel edge prediction paradigm named Edge-aware Message PassIng neuRal nEtworks (EMPIRE)。
まず,各エッジをトポロジや監督のためにのみ使用するエッジ分割手法を提案する。
監視エッジで接続されたペアと接続されていないペアの差を強調するために、さらにメッセージを重み付けして、その差を反映できる相対的なペアを強調します。
- 参考スコア（独自算出の注目度）: 51.06557652109059
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Graph Neural Networks (GNNs), originally proposed for node classification,
have also motivated many recent works on edge prediction (a.k.a., link
prediction). However, existing methods lack elaborate design regarding the
distinctions between two tasks that have been frequently overlooked: (i) edges
only constitute the topology in the node classification task but can be used as
both the topology and the supervisions (i.e., labels) in the edge prediction
task; (ii) the node classification makes prediction over each individual node,
while the edge prediction is determinated by each pair of nodes. To this end,
we propose a novel edge prediction paradigm named Edge-aware Message PassIng
neuRal nEtworks (EMPIRE). Concretely, we first introduce an edge splitting
technique to specify use of each edge where each edge is solely used as either
the topology or the supervision (named as topology edge or supervision edge).
We then develop a new message passing mechanism that generates the messages to
source nodes (through topology edges) being aware of target nodes (through
supervision edges). In order to emphasize the differences between pairs
connected by supervision edges and pairs unconnected, we further weight the
messages to highlight the relative ones that can reflect the differences. In
addition, we design a novel negative node-pair sampling trick that efficiently
samples 'hard' negative instances in the supervision instances, and can
significantly improve the performance. Experimental results verify that the
proposed method can significantly outperform existing state-of-the-art models
regarding the edge prediction task on multiple homogeneous and heterogeneous
graph datasets.
- Abstract（参考訳）: もともとノード分類のために提案されたグラフニューラルネットワーク(GNN)も、エッジ予測(リンク予測)に関する最近の多くの研究を動機付けている。
しかし、既存の手法では、しばしば見過ごされた2つのタスクの区別に関する精巧な設計が欠如している。
(i)エッジは、ノード分類タスクにおけるトポロジのみを構成するが、エッジ予測タスクにおけるトポロジと監督(ラベル)の両方として使用できる。
(2)ノード分類は各ノードに対して予測を行い、エッジ予測は各ノードのペアによって決定される。
そこで我々はエッジ対応メッセージパスIng neuRal nEtworks (EMPIRE) という新しいエッジ予測パラダイムを提案する。
具体的には、まず、各エッジをトポロジーまたは監督(トポロジーエッジまたは監督エッジと呼ばれる)としてのみ使用する各エッジの使用を規定するエッジ分割技術を導入する。
次に、(トポロジーエッジを介して)ターゲットノードを認識しているソースノードへのメッセージを生成する新しいメッセージパッシングメカニズムを開発する。
監視エッジで接続されたペアと接続されていないペアの差を強調するために、さらにメッセージを重み付けして、その差を反映できる相対的なペアを強調します。
さらに, 監視インスタンスの'硬'負のインスタンスを効率的にサンプリングし, 性能を著しく向上する新規なノードペアサンプリング手法を設計する。
実験の結果,複数の均質グラフデータセットにおけるエッジ予測タスクに関して,提案手法が既存の最先端モデルを大幅に上回ることができることを確認した。
関連論文リスト
- A Hybrid Supervised and Self-Supervised Graph Neural Network for Edge-Centric Applications [0.0]
本稿では,2つのノード間の関係(エッジ中心タスク)を含むタスクを対象とした,グラフに基づく新しいディープラーニングモデルを提案する。
このモデルは教師付き学習と自己教師型学習を組み合わせ、学習した埋め込みとパターンが真実と無関係に学習される損失関数を考慮に入れている。
実験により、タンパク質間相互作用予測と遺伝子オントロジー(GO)用語予測の既存の手法と一致するか、超えるかを示す。
論文 参考訳（メタデータ） (2025-01-21T17:26:15Z) - Multigraph Message Passing with Bi-Directional Multi-Edge Aggregations [5.193718340934995]
MEGA-GNNは、マルチグラフ上のメッセージパッシングのための統一されたフレームワークである。
我々は, MEGA-GNN が置換同変であるだけでなく,エッジ上で厳密な全順序付けを与えられることも示す。
実験の結果、MEGA-GNNはアンチ・モニー・ロンダリングのデータセットで最先端のソリューションを最大13%上回っていることがわかった。
論文 参考訳（メタデータ） (2024-11-29T20:15:18Z) - ADEdgeDrop: Adversarial Edge Dropping for Robust Graph Neural Networks [53.41164429486268]
グラフニューラルネットワーク(GNN)は、近隣ノードからグラフ構造化情報を収集する強力な能力を示した。
GNNの性能は、ノイズや冗長なグラフデータによって引き起こされる一般化の貧弱さと脆弱な堅牢性によって制限される。
本稿では,エッジの除去を誘導する対向エッジ予測器を利用する新しい対向エッジドロップ法 (ADEdgeDrop) を提案する。
論文 参考訳（メタデータ） (2024-03-14T08:31:39Z) - Edge2Node: Reducing Edge Prediction to Node Classification [0.0]
我々はEdge2Nodeという予備的なアイデアを導入し、スコアリング関数を必要とせずに、各エッジへの埋め込みを直接取得することを提案した。
この考えは、エッジ予測タスクに与えられたグラフ G に基づいて新しいグラフ H を作成し、その後、G 上のエッジ予測タスクを H 上のノード分類タスクに還元することを提案している。
論文 参考訳（メタデータ） (2023-11-06T07:28:16Z) - Efficient Link Prediction via GNN Layers Induced by Negative Sampling [86.87385758192566]
リンク予測のためのグラフニューラルネットワーク(GNN)は、緩やかに2つの広いカテゴリに分けられる。
本稿では,新しいGNNアーキテクチャを提案する。このアーキテクチャでは,Emphforwardパスは,Emphboth陽性(典型的)と負陰性(アプローチに共通)のエッジに明示的に依存する。
これは、埋め込み自体を、正と負のサンプルの分離を好むフォワードパス特異的エネルギー関数の最小化子として再キャストすることで達成される。
論文 参考訳（メタデータ） (2023-10-14T07:02:54Z) - ECT: Fine-grained Edge Detection with Learned Cause Tokens [19.271691951077617]
汎用エッジと細粒度エッジを逐次予測する2段階トランスフォーマーネットワークを提案する。
提案手法をBSDS-RINDおよび複数の新たに派生したベンチマーク上で評価し,新たな最先端結果を得た。
論文 参考訳（メタデータ） (2023-08-06T11:37:55Z) - BOURNE: Bootstrapped Self-supervised Learning Framework for Unified
Graph Anomaly Detection [50.26074811655596]
自己指導型自己学習(BOURNE)に基づく新しい統合グラフ異常検出フレームワークを提案する。
ノードとエッジ間のコンテキスト埋め込みを交換することで、ノードとエッジの異常を相互に検出できる。
BOURNEは、負のサンプリングを必要としないため、大きなグラフを扱う際の効率を高めることができる。
論文 参考訳（メタデータ） (2023-07-28T00:44:57Z) - Structure-Aware DropEdge Towards Deep Graph Convolutional Networks [83.38709956935095]
グラフ畳み込みネットワーク(GCN)は、複数のレイヤが積み重なると、パフォーマンスが著しく低下する。
オーバースムーシングは、入力からのネットワーク出力を、ネットワーク深さの増加、表現率の低下、およびトレーニング容易性によって分離する。
我々はDropEdgeの洗練された対策について検討する。
論文 参考訳（メタデータ） (2023-06-21T08:11:40Z) - A Variational Edge Partition Model for Supervised Graph Representation
Learning [51.30365677476971]
本稿では,重なり合うノード群間の相互作用を集約することで,観測されたエッジがどのように生成されるかをモデル化するグラフ生成プロセスを提案する。
それぞれのエッジを複数のコミュニティ固有の重み付きエッジの和に分割し、コミュニティ固有のGNNを定義する。
エッジを異なるコミュニティに分割するGNNベースの推論ネットワーク,これらのコミュニティ固有のGNN,およびコミュニティ固有のGNNを最終分類タスクに組み合わせたGNNベースの予測器を共同で学習するために,変分推論フレームワークを提案する。
論文 参考訳（メタデータ） (2022-02-07T14:37:50Z)
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。