論文の概要: A Hypergraph Neural Network Framework for Learning Hyperedge-Dependent Node Embeddings

• arxiv url: http://arxiv.org/abs/2212.14077v1
• Date: Wed, 28 Dec 2022 19:45:38 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-02 17:52:26.430093
• Title: A Hypergraph Neural Network Framework for Learning Hyperedge-Dependent Node Embeddings
• Title（参考訳）: ハイパーエッジ依存ノード埋め込み学習のためのハイパーグラフニューラルネットワークフレームワーク
• Authors: Ryan Aponte, Ryan A. Rossi, Shunan Guo, Jane Hoffswell, Nedim Lipka, Chang Xiao, Gromit Chan, Eunyee Koh, Nesreen Ahmed
• Abstract要約: ハイパーグラフニューラルネットワーク(HNN)と呼ばれるハイパーグラフ表現学習フレームワークを導入する。 HNNはハイパーグラフの各ノードに対するハイパーエッジ依存の埋め込みセットとともに、ハイパーエッジ埋め込みを共同で学習する。 HNNは全ベースラインモデルとハイパーエッジ予測およびハイパーグラフノード分類のためのグラフで7.72%と11.37%の全体平均ゲインを達成した。
• 参考スコア（独自算出の注目度）: 39.9678554461845
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this work, we introduce a hypergraph representation learning framework called Hypergraph Neural Networks (HNN) that jointly learns hyperedge embeddings along with a set of hyperedge-dependent embeddings for each node in the hypergraph. HNN derives multiple embeddings per node in the hypergraph where each embedding for a node is dependent on a specific hyperedge of that node. Notably, HNN is accurate, data-efficient, flexible with many interchangeable components, and useful for a wide range of hypergraph learning tasks. We evaluate the effectiveness of the HNN framework for hyperedge prediction and hypergraph node classification. We find that HNN achieves an overall mean gain of 7.72% and 11.37% across all baseline models and graphs for hyperedge prediction and hypergraph node classification, respectively.
• Abstract（参考訳）: 本研究ではハイパーグラフ表現学習フレームワークHypergraph Neural Networks(HNN)を導入し,ハイパーグラフの各ノードに対するハイパーエッジ依存型埋め込みと合わせてハイパーエッジ埋め込みを共同で学習する。 hnnは、ノードの埋め込みがノードの特定のハイパーエッジに依存するハイパーグラフ内のノード毎の複数の埋め込みを導出する。 特に、HNNは正確で、データ効率が高く、多くの交換可能なコンポーネントで柔軟性があり、幅広いハイパーグラフ学習タスクに役立ちます。 ハイパーエッジ予測とハイパーグラフノード分類におけるHNNフレームワークの有効性を評価する。 HNNは,全ベースラインモデルとハイパーエッジ予測用グラフ,ハイパーグラフノード分類用グラフでそれぞれ7.72%,11.37%の平均ゲインを達成した。

関連論文リスト

• Hypergraph Transformer for Semi-Supervised Classification [50.92027313775934]
  我々は新しいハイパーグラフ学習フレームワークHyperGraph Transformer(HyperGT)を提案する。 HyperGTはTransformerベースのニューラルネットワークアーキテクチャを使用して、すべてのノードとハイパーエッジのグローバル相関を効果的に検討する。 局所接続パターンを保ちながら、グローバルな相互作用を効果的に組み込むことで、包括的なハイパーグラフ表現学習を実現する。
  論文  参考訳（メタデータ） (2023-12-18T17:50:52Z)
• From Hypergraph Energy Functions to Hypergraph Neural Networks [94.88564151540459]
  パラメータ化されたハイパーグラフ正規化エネルギー関数の表現型族を示す。 次に、これらのエネルギーの最小化がノード埋め込みとして効果的に機能することを実証する。 提案した双レベルハイパーグラフ最適化と既存のGNNアーキテクチャを共通的に用いている。
  論文  参考訳（メタデータ） (2023-06-16T04:40:59Z)
• Classification of Edge-dependent Labels of Nodes in Hypergraphs [17.454063924648896]
  エッジ依存ノードラベルの分類を新しい問題として紹介する。 この問題はハイパーグラフニューラルネットワークのベンチマークタスクとして使用できる。 提案するWHATsNetは,参加するハイパーエッジに応じて同一ノードを異なる表現で表現する,新しいハイパーグラフニューラルネットワークである。
  論文  参考訳（メタデータ） (2023-06-05T16:50:34Z)
• Equivariant Hypergraph Diffusion Neural Operators [81.32770440890303]
  ハイパーグラフを符号化するためにニューラルネットワークを使用するハイパーグラフニューラルネットワーク(HNN)は、データの高次関係をモデル化する有望な方法を提供する。 本研究ではED-HNNと呼ばれる新しいHNNアーキテクチャを提案する。 実世界の9つのハイパーグラフデータセットのノード分類におけるED-HNNの評価を行った。
  論文  参考訳（メタデータ） (2022-07-14T06:17:00Z)
• Hypergraph Convolutional Networks via Equivalency between Hypergraphs and Undirected Graphs [59.71134113268709]
  本稿では,EDVWおよびEIVWハイパーグラフを処理可能な一般学習フレームワークであるGeneral Hypergraph Spectral Convolution(GHSC)を提案する。 本稿では,提案するフレームワークが最先端の性能を達成できることを示す。 ソーシャルネットワーク分析,視覚的客観的分類,タンパク質学習など,様々な分野の実験により,提案手法が最先端の性能を達成できることが実証された。
  論文  参考訳（メタデータ） (2022-03-31T10:46:47Z)
• UniGNN: a Unified Framework for Graph and Hypergraph Neural Networks [8.777765815864367]
  エンティティ間の高次相関をモデル化するフレキシブルな表現構造であるhypergraphは、近年様々な研究領域から注目を集めている。 グラフおよびハイパーグラフニューラルネットワークにおけるメッセージパッシングプロセスを解釈するための統一フレームワークであるUniGNNを提案する。 複数の実世界のデータセットに対するUniGNNの有効性を示す実験が行われている。
  論文  参考訳（メタデータ） (2021-05-03T15:48:34Z)
• HNHN: Hypergraph Networks with Hyperedge Neurons [90.15253035487314]
  HNHNはハイパーグラフ畳み込みネットワークであり、ハイパーノードとハイパーエッジの両方に非線形活性化関数が適用される。 実世界のデータセットの分類精度と速度の両面でのHNHNの性能向上を示す。
  論文  参考訳（メタデータ） (2020-06-22T14:08:32Z)

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。