論文の概要: AutoAC: Towards Automated Attribute Completion for Heterogeneous Graph Neural Network

• arxiv url: http://arxiv.org/abs/2301.03049v1
• Date: Sun, 8 Jan 2023 14:38:32 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-10 17:36:16.691568
• Title: AutoAC: Towards Automated Attribute Completion for Heterogeneous Graph Neural Network
• Title（参考訳）: AutoAC: 異種グラフニューラルネットワークの属性自動補完に向けて
• Authors: Guanghui Zhu, Zhennan Zhu, Wenjie Wang, Zhuoer Xu, Chunfeng Yuan, Yihua Huang
• Abstract要約: 異種GNNにおける自動完了操作探索のための AutoAC という異種属性補完フレームワークを提案する。 我々は,AutoACがSOTAの手作りヘテロジニアスGNNと既存の属性補完法より優れていることを示す。
• 参考スコア（独自算出の注目度）: 18.47866953955945
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Many real-world data can be modeled as heterogeneous graphs that contain multiple types of nodes and edges. Meanwhile, due to excellent performance, heterogeneous graph neural networks (GNNs) have received more and more attention. However, the existing work mainly focuses on the design of novel GNN models, while ignoring another important issue that also has a large impact on the model performance, namely the missing attributes of some node types. The handcrafted attribute completion requires huge expert experience and domain knowledge. Also, considering the differences in semantic characteristics between nodes, the attribute completion should be fine-grained, i.e., the attribute completion operation should be node-specific. Moreover, to improve the performance of the downstream graph learning task, attribute completion and the training of the heterogeneous GNN should be jointly optimized rather than viewed as two separate processes. To address the above challenges, we propose a differentiable attribute completion framework called AutoAC for automated completion operation search in heterogeneous GNNs. We first propose an expressive completion operation search space, including topology-dependent and topology-independent completion operations. Then, we propose a continuous relaxation schema and further propose a differentiable completion algorithm where the completion operation search is formulated as a bi-level joint optimization problem. To improve the search efficiency, we leverage two optimization techniques: discrete constraints and auxiliary unsupervised graph node clustering. Extensive experimental results on real-world datasets reveal that AutoAC outperforms the SOTA handcrafted heterogeneous GNNs and the existing attribute completion method
• Abstract（参考訳）: 多くの現実世界のデータは、複数の種類のノードとエッジを含む異種グラフとしてモデル化できる。 一方、優れた性能のため、異種グラフニューラルネットワーク(GNN)はますます注目を集めている。 しかし、既存の研究は主に新しいgnnモデルの設計に焦点を当てているが、モデルのパフォーマンスに大きな影響を与える別の重要な問題、すなわちいくつかのノードタイプの欠落した属性を無視している。 手作りの属性補完には、膨大な専門家の経験とドメイン知識が必要です。 また、ノード間の意味的特性の違いを考慮すると、属性補完はきめ細かな粒度でなければならない。 さらに、下流グラフ学習タスクの性能向上のためには、属性補完と異種GNNの訓練を2つの別々のプロセスと見なすのではなく、協調的に最適化する必要がある。 上記の課題に対処するため、異種GNNにおける自動補完操作探索のためのAutoACと呼ばれる異種属性補完フレームワークを提案する。 まず,位相依存および位相非依存完備演算を含む表現的完備演算探索空間を提案する。 そこで本研究では, 2段階共同最適化問題として, 完了操作探索を定式化する微分可能補完アルゴリズムを提案する。 探索効率を向上させるために,離散制約と補助的教師なしグラフノードクラスタリングという2つの最適化手法を活用した。 実世界のデータセットの大規模な実験結果から、AutoACはSOTAの手作りヘテロジニアスGNNと既存の属性補完法より優れていることが判明した。

関連論文リスト

• AGHINT: Attribute-Guided Representation Learning on Heterogeneous Information Networks with Transformer [4.01252998015631]
  本稿では,ノード間特性の相違がベンチマークタスクにおけるHGNNの性能に与える影響について検討する。 我々はTransformer (AGHINT) を用いたAttribute-Guidous Information Networks表現学習モデルを提案する。 AGHINTは、学習プロセスに高次の類似した特徴を直接統合することで、元のグラフ構造の制約を超越する。
  論文  参考訳（メタデータ） (2024-04-16T10:30:48Z)
• Enhanced Graph Neural Networks with Ego-Centric Spectral Subgraph Embeddings Augmentation [11.841882902141696]
  Ego-centric Spectral subGraph Embedding Augmentation (ESGEA) と呼ばれる新しいアプローチを提案する。 ESGEAは、特に情報が不足しているシナリオにおいて、ノード機能の強化と設計を目的としている。 ノード属性が利用できないソーシャルネットワークグラフ分類タスクにおいて,提案手法の評価を行った。
  論文  参考訳（メタデータ） (2023-10-10T14:57:29Z)
• Collaborative Graph Neural Networks for Attributed Network Embedding [63.39495932900291]
  グラフニューラルネットワーク(GNN)は、属性付きネットワーク埋め込みにおいて顕著な性能を示している。 本稿では,ネットワーク埋め込みに適したGNNアーキテクチャであるCulaborative graph Neural Networks-CONNを提案する。
  論文  参考訳（メタデータ） (2023-07-22T04:52:27Z)
• NodeFormer: A Scalable Graph Structure Learning Transformer for Node Classification [70.51126383984555]
  本稿では,任意のノード間のノード信号を効率的に伝搬する全ペアメッセージパッシング方式を提案する。 効率的な計算は、カーナライズされたGumbel-Softmax演算子によって実現される。 グラフ上のノード分類を含む様々なタスクにおいて,本手法の有望な有効性を示す実験を行った。
  論文  参考訳（メタデータ） (2023-06-14T09:21:15Z)
• T2-GNN: Graph Neural Networks for Graphs with Incomplete Features and Structure via Teacher-Student Distillation [65.43245616105052]
  グラフニューラルネットワーク(GNN)は,様々な解析タスクをグラフデータ上で処理する手法として普及している。 本稿では,教師による蒸留に基づく一般GNNフレームワークを提案し,不完全グラフ上でのGNNの性能向上を図る。
  論文  参考訳（メタデータ） (2022-12-24T13:49:44Z)
• Exploiting Neighbor Effect: Conv-Agnostic GNNs Framework for Graphs with Heterophily [58.76759997223951]
  我々はフォン・ノイマンエントロピーに基づく新しい計量を提案し、GNNのヘテロフィリー問題を再検討する。 また、異種データセット上でのほとんどのGNNの性能を高めるために、Conv-Agnostic GNNフレームワーク(CAGNN)を提案する。
  論文  参考訳（メタデータ） (2022-03-19T14:26:43Z)
• Data Augmentation for Graph Convolutional Network on Semi-Supervised Classification [6.619370466850894]
  グラフ畳み込みネットワーク(GCN)におけるグラフデータ拡張の問題について検討する。 具体的には、元の特徴に基づいてコサイン類似性に基づくクロスオペレーションを行い、新しいノード属性を含む新しいグラフ機能を作成する。 また,これらのGCNによって符号化された隠れノード埋め込みを最終ノード埋め込みに重み付けした注意統合モデルを提案する。
  論文  参考訳（メタデータ） (2021-06-16T15:13:51Z)
• Learning on Attribute-Missing Graphs [66.76561524848304]
  部分ノードのみの属性が利用できるグラフがあり、他の属性が完全に欠落している可能性がある。 一般的なGNNを含む既存のグラフ学習手法では、満足な学習性能が得られない。 我々は,属性欠落グラフのための構造属性変換器(SAT)と呼ばれる新しい分布マッチングベースGNNを開発した。
  論文  参考訳（メタデータ） (2020-11-03T11:09:52Z)
• Multi-grained Semantics-aware Graph Neural Networks [13.720544777078642]
  グラフニューラルネットワーク(GNN)は、グラフの表現学習において強力な技術である。 本研究では,ノードとグラフ表現を対話的に学習する統合モデルAdamGNNを提案する。 14の実世界のグラフデータセットに対する実験により、AdamGNNはノードとグラフの両方のタスクにおいて17の競合するモデルを大幅に上回っていることが示された。
  論文  参考訳（メタデータ） (2020-10-01T07:52:06Z)
• Graph Convolutional Networks for Graphs Containing Missing Features [5.426650977249329]
  グラフ畳み込みネットワーク(GCN)を欠落した特徴を含むグラフに適応させる手法を提案する。 従来の戦略とは対照的に、我々のアプローチは、欠落した特徴の処理とグラフ学習を、同じニューラルネットワークアーキテクチャ内で統合する。 本研究では,提案手法がノード分類やリンク予測タスクにおいて,命令に基づく手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2020-07-09T06:47:21Z)
• 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。