論文の概要: PersonaSAGE: A Multi-Persona Graph Neural Network

• arxiv url: http://arxiv.org/abs/2212.13709v1
• Date: Wed, 28 Dec 2022 05:50:38 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-29 16:23:47.915576
• Title: PersonaSAGE: A Multi-Persona Graph Neural Network
• Title（参考訳）: PersonaSAGE: マルチペソナグラフニューラルネットワーク
• Authors: Gautam Choudhary, Iftikhar Ahamath Burhanuddin, Eunyee Koh, Fan Du, and Ryan A. Rossi
• Abstract要約: 我々はPersonaSAGEと呼ばれるペルソナベースのグラフニューラルネットワークフレームワークを開発し、グラフの各ノードに対する複数のペルソナベースの埋め込みを学習する。 PersonaSAGEはグラフ内の各ノードに対して適切なペルソナ埋め込みのセットを学習し、各ノードに割り当てられたペルソナ埋め込みの数が異なる可能性がある。 リンク予測を含む様々な重要なタスクに対して,ペルソナサージの有効性を示す実験を行った。
• 参考スコア（独自算出の注目度）: 27.680820534771485
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graph Neural Networks (GNNs) have become increasingly important in recent years due to their state-of-the-art performance on many important downstream applications. Existing GNNs have mostly focused on learning a single node representation, despite that a node often exhibits polysemous behavior in different contexts. In this work, we develop a persona-based graph neural network framework called PersonaSAGE that learns multiple persona-based embeddings for each node in the graph. Such disentangled representations are more interpretable and useful than a single embedding. Furthermore, PersonaSAGE learns the appropriate set of persona embeddings for each node in the graph, and every node can have a different number of assigned persona embeddings. The framework is flexible enough and the general design helps in the wide applicability of the learned embeddings to suit the domain. We utilize publicly available benchmark datasets to evaluate our approach and against a variety of baselines. The experiments demonstrate the effectiveness of PersonaSAGE for a variety of important tasks including link prediction where we achieve an average gain of 15% while remaining competitive for node classification. Finally, we also demonstrate the utility of PersonaSAGE with a case study for personalized recommendation of different entity types in a data management platform.
• Abstract（参考訳）: グラフニューラルネットワーク(GNN)は、多くの重要な下流アプリケーションにおける最先端のパフォーマンスのため、近年ますます重要になっている。 既存のGNNは主に単一ノード表現の学習に重点を置いているが、ノードは異なるコンテキストで多文の振る舞いを示すことが多い。 本研究では,ペルソナベースのグラフニューラルネットワークフレームワークであるpersonasageを開発し,グラフの各ノードに対する複数のペルソナベースの埋め込みを学習する。 このような非交叉表現は単一の埋め込みよりも解釈可能で有用である。 さらに、PersonaSAGEはグラフ内の各ノードに対して適切なペルソナ埋め込みのセットを学習し、各ノードに割り当てられたペルソナ埋め込みの数が異なる可能性がある。 フレームワークは十分に柔軟であり、一般的な設計はドメインに合うように学習された埋め込みを広く適用するのに役立つ。 私たちは、公開利用可能なベンチマークデータセットを使用して、このアプローチとさまざまなベースラインを評価します。 この実験は、ノード分類に競争力を保ちながら平均15%の利得を達成するリンク予測を含む、様々な重要なタスクに対するペルソナセージの有効性を示す。 最後に、データ管理プラットフォームにおけるさまざまなエンティティタイプをパーソナライズするパーソナライズのためのケーススタディにより、PersonaSAGEの有用性を実証する。

関連論文リスト

• One Node Per User: Node-Level Federated Learning for Graph Neural Networks [7.428431479479646]
  ノードレベルのフェデレーショングラフ学習のための新しいフレームワークを提案する。 特徴ベクトルの潜在表現に基づくグラフラプラシアン項を導入し,ユーザ側モデル更新を制御する。
  論文  参考訳（メタデータ） (2024-09-29T02:16:07Z)
• GraphFM: A Scalable Framework for Multi-Graph Pretraining [2.882104808886318]
  本稿では,さまざまな領域のグラフデータセットにまたがるノード分類タスクに適した,スケーラブルなマルチグラフ・マルチタスク事前学習手法を提案する。 我々は,740万以上のノードと1億1900万のエッジからなる152のグラフデータセットのモデルをトレーニングすることで,このアプローチの有効性を実証する。 以上の結果から,多種多様な実・合成グラフの事前学習により適応性と安定性が向上し,最先端のスペシャリストモデルと競合する結果が得られた。
  論文  参考訳（メタデータ） (2024-07-16T16:51:43Z)
• End-to-End Learning on Multimodal Knowledge Graphs [0.0]
  本稿では,グラフ構造からエンドツーエンドを学習するマルチモーダルメッセージパッシングネットワークを提案する。 我々のモデルは、専用(神経)エンコーダを使用して、5種類のモードに属するノードの特徴の埋め込みを自然に学習する。 この結果から,任意の知識グラフからエンド・ツー・エンドのマルチモーダル学習が可能であることが示唆された。
  論文  参考訳（メタデータ） (2023-09-03T13:16:18Z)
• KMF: Knowledge-Aware Multi-Faceted Representation Learning for Zero-Shot Node Classification [75.95647590619929]
  Zero-Shot Node Classification (ZNC)は、グラフデータ分析において、新しく重要なタスクである。 ラベルセマンティクスの豊かさを向上する知識認識型多面的フレームワーク(KMF)を提案する。 ノード情報集約によるプロトタイプドリフトの問題を軽減するために,新しい幾何学的制約を開発した。
  論文  参考訳（メタデータ） (2023-08-15T02:38:08Z)
• 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)
• Graph Classification by Mixture of Diverse Experts [67.33716357951235]
  我々は,不均衡なグラフ分類に多様な専門家の混在を利用したフレームワークであるGraphDIVEを提案する。 GraphDIVEは、分割と並列の原則により、不均衡なグラフデータセットを複数のサブセットに分割するゲーティングネットワークを採用しています。 実世界の不均衡グラフデータセットに関する実験は、GraphDIVEの有効性を示している。
  論文  参考訳（メタデータ） (2021-03-29T14:03:03Z)
• 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)
• GCC: Graph Contrastive Coding for Graph Neural Network Pre-Training [62.73470368851127]
  グラフ表現学習は現実世界の問題に対処する強力な手法として登場した。 自己教師付きグラフニューラルネットワーク事前トレーニングフレームワークであるGraph Contrastive Codingを設計する。 3つのグラフ学習タスクと10のグラフデータセットについて実験を行った。
  論文  参考訳（メタデータ） (2020-06-17T16:18:35Z)
• Unsupervised Differentiable Multi-aspect Network Embedding [52.981277420394846]
  本稿では,asp2vecと呼ばれるマルチアスペクトネットワーク埋め込みのための新しいエンドツーエンドフレームワークを提案する。 提案するフレームワークは容易に異種ネットワークに拡張できる。
  論文  参考訳（メタデータ） (2020-06-07T19:26:20Z)
• End-to-End Entity Classification on Multimodal Knowledge Graphs [0.0]
  本稿では,グラフ構造からエンドツーエンドを学習するマルチモーダルメッセージパッシングネットワークを提案する。 我々のモデルは、専用(神経)エンコーダを使用して、5種類のモードに属するノードの特徴の埋め込みを自然に学習する。 私たちの結果は、複数のモダリティからの情報を含めることで、モデル全体のパフォーマンスが向上する、という私たちの仮説を支持します。
  論文  参考訳（メタデータ） (2020-03-25T14:57:52Z)

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。