論文の概要: Link Prediction on Latent Heterogeneous Graphs
- arxiv url: http://arxiv.org/abs/2302.10432v1
- Date: Tue, 21 Feb 2023 04:09:51 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-22 16:24:25.433382
- Title: Link Prediction on Latent Heterogeneous Graphs
- Title(参考訳): 潜在不均質グラフ上のリンク予測
- Authors: Trung-Kien Nguyen, Zemin Liu, Yuan Fang
- Abstract要約: 潜時不均質グラフ(LHG)におけるリンク予測の難解で未探索な問題について検討する。
ノードとパスレベルにおけるセマンティック埋め込みという新しいアイデアに基づいて,LHGNNというモデルを提案し,ノード間の潜在セマンティックスをキャプチャする。
4つのベンチマークデータセットに対して広範な実験を行い、LHGNNの優れた性能を示す。
- 参考スコア(独自算出の注目度): 18.110053023118294
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: On graph data, the multitude of node or edge types gives rise to
heterogeneous information networks (HINs). To preserve the heterogeneous
semantics on HINs, the rich node/edge types become a cornerstone of HIN
representation learning. However, in real-world scenarios, type information is
often noisy, missing or inaccessible. Assuming no type information is given, we
define a so-called latent heterogeneous graph (LHG), which carries latent
heterogeneous semantics as the node/edge types cannot be observed. In this
paper, we study the challenging and unexplored problem of link prediction on an
LHG. As existing approaches depend heavily on type-based information, they are
suboptimal or even inapplicable on LHGs. To address the absence of type
information, we propose a model named LHGNN, based on the novel idea of
semantic embedding at node and path levels, to capture latent semantics on and
between nodes. We further design a personalization function to modulate the
heterogeneous contexts conditioned on their latent semantics w.r.t. the target
node, to enable finer-grained aggregation. Finally, we conduct extensive
experiments on four benchmark datasets, and demonstrate the superior
performance of LHGNN.
- Abstract(参考訳): グラフデータでは、複数のノードまたはエッジタイプが異種情報ネットワーク(hins)を生み出している。
HIN上の異種意味を保存するために、リッチノード/エッジ型はHIN表現学習の基盤となる。
しかし、現実のシナリオでは、型情報はしばしばノイズ、欠落、アクセス不能である。
型情報は与えられていないと仮定すると、ノード/エッジ型が観察できないため、潜在異種セマンティクスを運ぶいわゆる潜在異種グラフ(lhg)を定義する。
本稿では,LHG上でのリンク予測の課題と未探索の問題について検討する。
既存のアプローチは型ベースの情報に大きく依存しているため、LHGに最適化されるか、適用できない。
タイプ情報の欠如に対処するため,ノードとパスレベルにおけるセマンティック埋め込みという新しいアイデアに基づいてLHGNNというモデルを提案し,ノード間の潜在セマンティックスをキャプチャする。
さらに,対象ノードの潜在意味性w.r.tに基づく不均質な文脈を変調し,粒度の細かい集約を可能にするパーソナライズ機能の設計を行った。
最後に、4つのベンチマークデータセットについて広範な実験を行い、LHGNNの優れた性能を示す。
関連論文リスト
- Learn from Heterophily: Heterophilous Information-enhanced Graph Neural Network [4.078409998614025]
論理的に異なるラベルを持つノードは意味論的意味に基づいて接続される傾向があるが、グラフニューラルネットワーク(GNN)は、しばしば最適以下の性能を示す。
ヘテロフィリーに固有の意味情報をグラフ学習において効果的に活用できることを示す。
ノード分布を利用して異種情報を統合する新しいグラフ構造を構築する革新的な手法であるHiGNNを提案する。
論文 参考訳(メタデータ) (2024-03-26T03:29:42Z) - Evolving Computation Graphs [20.094508902123778]
グラフニューラルネットワーク(GNN)は、特にホモフィリーを示すデータに対して、関係データのモデリングに成功している。
ヘテロ親和性データセット上でGNNを強化する新しい手法であるEvolving Computation Graphs (ECGs)を提案する。
論文 参考訳(メタデータ) (2023-06-22T14:58:18Z) - Seq-HGNN: Learning Sequential Node Representation on Heterogeneous Graph [57.2953563124339]
本稿では,シーケンシャルノード表現,すなわちSeq-HGNNを用いた新しい異種グラフニューラルネットワークを提案する。
Heterogeneous Graph Benchmark (HGB) と Open Graph Benchmark (OGB) の4つの広く使われているデータセットについて広範な実験を行った。
論文 参考訳(メタデータ) (2023-05-18T07:27:18Z) - Semantic-aware Node Synthesis for Imbalanced Heterogeneous Information
Networks [51.55932524129814]
意味認識ノード合成(SNS)と呼ばれる不均衡HINにおける意味的不均衡問題の最初の方法を提案する。
SNSは、異種隣接ノードを適応的に選択し、マイノリティのセマンティクスを維持しながら、合成ノードでネットワークを増強する。
また,HGNNに対してセマンティックおよびクラスの観点から合成ノードの表現を制約する2つの正規化手法を導入する。
論文 参考訳(メタデータ) (2023-02-27T00:21:43Z) - SHGNN: Structure-Aware Heterogeneous Graph Neural Network [77.78459918119536]
本稿では、上記の制約に対処する構造対応不均一グラフニューラルネットワーク(SHGNN)を提案する。
まず,メタパス内の中間ノードの局所構造情報を取得するために,特徴伝搬モジュールを利用する。
次に、ツリーアテンションアグリゲータを使用して、グラフ構造情報をメタパス上のアグリゲーションモジュールに組み込む。
最後に、メタパスアグリゲータを利用して、異なるメタパスから集約された情報を融合する。
論文 参考訳(メタデータ) (2021-12-12T14:18:18Z) - Graph Neural Networks with Feature and Structure Aware Random Walk [7.143879014059894]
典型的な好適なグラフでは、エッジを指向する可能性があり、エッジをそのまま扱うか、あるいは単純に非指向にするかは、GNNモデルの性能に大きな影響を与える。
そこで我々は,グラフの方向性を適応的に学習するモデルを開発し,ノード間の長距離相関を生かした。
論文 参考訳(メタデータ) (2021-11-19T08:54:21Z) - HMSG: Heterogeneous Graph Neural Network based on Metapath Subgraph
Learning [2.096172374930129]
我々はHMSGという新しい異種グラフニューラルネットワークモデルを提案する。
異種グラフを複数の部分グラフに分解する。
各サブグラフは、特定の意味情報と構造情報を関連付ける。
タイプ固有の属性変換を通じて、ノード属性を異なるタイプのノード間で転送することもできる。
論文 参考訳(メタデータ) (2021-09-07T05:02:59Z) - Higher-Order Attribute-Enhancing Heterogeneous Graph Neural Networks [67.25782890241496]
異種ネットワーク表現学習のための高次属性強化グラフニューラルネットワーク(HAEGNN)を提案する。
HAEGNNは、リッチで異質なセマンティクスのためのメタパスとメタグラフを同時に組み込む。
ノード分類、ノードクラスタリング、可視化における最先端の手法よりも優れたパフォーマンスを示す。
論文 参考訳(メタデータ) (2021-04-16T04:56:38Z) - Uniting Heterogeneity, Inductiveness, and Efficiency for Graph
Representation Learning [68.97378785686723]
グラフニューラルネットワーク(GNN)は,グラフ上のノード表現学習の性能を大幅に向上させた。
GNNの過半数クラスは均質グラフのためにのみ設計されており、より有益な異種グラフに劣る適応性をもたらす。
本稿では,低次ノードと高次ノードの両方のエッジに付随するヘテロジニアスなノード特徴をパッケージ化する,新しい帰納的メタパスフリーメッセージパッシング方式を提案する。
論文 参考訳(メタデータ) (2021-04-04T23:31:39Z) - Learning the Implicit Semantic Representation on Graph-Structured Data [57.670106959061634]
グラフ畳み込みネットワークにおける既存の表現学習手法は主に、各ノードの近傍を知覚全体として記述することで設計される。
本稿では,グラフの潜在意味パスを学習することで暗黙的な意味を探索する意味グラフ畳み込みネットワーク(sgcn)を提案する。
論文 参考訳(メタデータ) (2021-01-16T16:18:43Z) - Adaptive Universal Generalized PageRank Graph Neural Network [36.850433364139924]
グラフニューラルネットワーク(GNN)は、両方の証拠源を利用するように設計されている。
本稿では,GPR重みを適応的に学習する汎用PageRank (GPR) GNNアーキテクチャを提案する。
GPR-GNNは、合成データとベンチマークデータの両方の既存の技術と比較して、大幅な性能改善を提供する。
論文 参考訳(メタデータ) (2020-06-14T19:27:39Z)
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。