論文の概要: Hierarchical Graph Neural Network with Cross-Attention for Cross-Device
User Matching
- arxiv url: http://arxiv.org/abs/2304.03215v1
- Date: Thu, 6 Apr 2023 16:48:34 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-07 13:24:50.713757
- Title: Hierarchical Graph Neural Network with Cross-Attention for Cross-Device
User Matching
- Title(参考訳): クロスデバイスユーザマッチングのための階層型グラフニューラルネットワーク
- Authors: Ali Taghibakhshi, Mingyuan Ma, Ashwath Aithal, Onur Yilmaz, Haggai
Maron, Matthew West
- Abstract要約: デバイス間のユーザマッチングは、広告、レコメンダシステム、サイバーセキュリティなど、多くの領域において重要な問題である。
本稿では,階層型グラフニューラルネットワークアーキテクチャ(HGNN)を提案する。
本モデルではクロスアテンション(Cross-Att)機構を導入し,最先端TGCE法と比較して性能を5%向上させる。
- 参考スコア(独自算出の注目度): 14.50037989933728
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Cross-device user matching is a critical problem in numerous domains,
including advertising, recommender systems, and cybersecurity. It involves
identifying and linking different devices belonging to the same person,
utilizing sequence logs. Previous data mining techniques have struggled to
address the long-range dependencies and higher-order connections between the
logs. Recently, researchers have modeled this problem as a graph problem and
proposed a two-tier graph contextual embedding (TGCE) neural network
architecture, which outperforms previous methods. In this paper, we propose a
novel hierarchical graph neural network architecture (HGNN), which has a more
computationally efficient second level design than TGCE. Furthermore, we
introduce a cross-attention (Cross-Att) mechanism in our model, which improves
performance by 5% compared to the state-of-the-art TGCE method.
- Abstract(参考訳): デバイス間のユーザマッチングは、広告、レコメンデーションシステム、サイバーセキュリティなど、多くのドメインにおいて重要な問題である。
同一人物に属する異なるデバイスを特定しリンクし、シーケンスログを利用する。
これまでのデータマイニング技術は、ログ間の長距離の依存関係と高次の接続に対処するのに苦労してきた。
近年,この問題をグラフ問題としてモデル化し,従来の手法よりも優れた2層グラフコンテキスト埋め込み(TGCE)ニューラルネットワークアーキテクチャを提案する。
本稿では,tgceよりも計算効率が高い階層型グラフニューラルネットワークアーキテクチャ(hgnn)を提案する。
さらに,我々のモデルにクロスアテンション(Cross-Att)機構を導入し,最先端TGCE法と比較して性能を5%向上させる。
関連論文リスト
- Graph as a feature: improving node classification with non-neural graph-aware logistic regression [2.952177779219163]
Graph-aware Logistic Regression (GLR) はノード分類タスク用に設計された非神経モデルである。
GNNにアクセスできる情報のごく一部しか使わない従来のグラフアルゴリズムとは異なり、提案モデルではノードの特徴とエンティティ間の関係を同時に活用する。
論文 参考訳(メタデータ) (2024-11-19T08:32:14Z) - Ensemble Quadratic Assignment Network for Graph Matching [52.20001802006391]
グラフマッチングはコンピュータビジョンやパターン認識において一般的に用いられる技法である。
最近のデータ駆動型アプローチは、グラフマッチングの精度を著しく改善した。
データ駆動手法と従来の手法の利点を組み合わせたグラフニューラルネットワーク(GNN)に基づくアプローチを提案する。
論文 参考訳(メタデータ) (2024-03-11T06:34:05Z) - GNN-LoFI: a Novel Graph Neural Network through Localized Feature-based
Histogram Intersection [51.608147732998994]
グラフニューラルネットワークは、グラフベースの機械学習の選択フレームワークになりつつある。
本稿では,古典的メッセージパッシングに代えて,ノード特徴の局所分布を解析するグラフニューラルネットワークアーキテクチャを提案する。
論文 参考訳(メタデータ) (2024-01-17T13:04:23Z) - Graph Transformer GANs with Graph Masked Modeling for Architectural
Layout Generation [153.92387500677023]
本稿では,グラフノード関係を効果的に学習するために,GTGAN(Graph Transformer Generative Adversarial Network)を提案する。
提案したグラフ変換器エンコーダは、局所的およびグローバルな相互作用をモデル化するために、Transformer内のグラフ畳み込みと自己アテンションを組み合わせる。
また,グラフ表現学習のための自己指導型事前学習手法を提案する。
論文 参考訳(メタデータ) (2024-01-15T14:36:38Z) - Large Scale Training of Graph Neural Networks for Optimal Markov-Chain Partitioning Using the Kemeny Constant [1.8606770727950463]
我々は,マルコフ連鎖のグラフ分割問題に対処するGNNアーキテクチャをいくつか提案する。
このアプローチは、提案されたパーティショニングがケメニー定数をどの程度変更するかを最小化することを目的としている。
線形層を持つグラフSAGEベースのGNNが、この文脈でより大きく、より表現力に富んだアテンションベースモデルよりも優れていることを示す。
論文 参考訳(メタデータ) (2023-12-22T17:19:50Z) - Network Intrusion Detection with Edge-Directed Graph Multi-Head Attention Networks [13.446986347747325]
本稿では,ネットワーク侵入検出のためのエッジ指向グラフマルチヘッドアテンションネットワーク(EDGMAT)を提案する。
EDGMATモデルでは,侵入検知モデルにマルチヘッドアテンション機構を導入し,マルチヘッドアテンション機構とエッジ特徴を組み合わせた付加的な重み学習を実現する。
論文 参考訳(メタデータ) (2023-10-26T12:30:11Z) - Learning Cooperative Beamforming with Edge-Update Empowered Graph Neural
Networks [29.23937571816269]
グラフエッジ上での協調ビームフォーミングを学習するためのエッジグラフニューラルネットワーク(Edge-GNN)を提案する。
提案したEdge-GNNは、最先端の手法よりも計算時間をはるかに短くして、より高い和率を達成する。
論文 参考訳(メタデータ) (2022-11-23T02:05:06Z) - EGRC-Net: Embedding-induced Graph Refinement Clustering Network [66.44293190793294]
埋め込みによるグラフリファインメントクラスタリングネットワーク (EGRC-Net) という新しいグラフクラスタリングネットワークを提案する。
EGRC-Netは学習した埋め込みを利用して初期グラフを適応的に洗練し、クラスタリング性能を向上させる。
提案手法はいくつかの最先端手法より一貫して優れている。
論文 参考訳(メタデータ) (2022-11-19T09:08:43Z) - EGG-GAE: scalable graph neural networks for tabular data imputation [8.775728170359024]
本稿では,データ計算に欠ける新しいEdGe生成グラフオートエンコーダ(EGG-GAE)を提案する。
EGG-GAEは、入力データのランダムにサンプリングされたミニバッチで動作し、各アーキテクチャ層におけるミニバッチ間の接続性を自動的に推測する。
論文 参考訳(メタデータ) (2022-10-19T10:26:17Z) - Automatic Relation-aware Graph Network Proliferation [182.30735195376792]
GNNを効率的に検索するためのARGNP(Automatic Relation-Aware Graph Network Proliferation)を提案する。
これらの操作は階層的なノード/リレーショナル情報を抽出し、グラフ上のメッセージパッシングのための異方的ガイダンスを提供する。
4つのグラフ学習タスクのための6つのデータセットの実験により、我々の手法によって生成されたGNNは、現在最先端の手作りおよび検索に基づくGNNよりも優れていることが示された。
論文 参考訳(メタデータ) (2022-05-31T10:38:04Z) - Spatio-Temporal Inception Graph Convolutional Networks for
Skeleton-Based Action Recognition [126.51241919472356]
我々はスケルトンに基づく行動認識のためのシンプルで高度にモジュール化されたグラフ畳み込みネットワークアーキテクチャを設計する。
ネットワークは,空間的および時間的経路から多粒度情報を集約するビルディングブロックを繰り返すことで構築される。
論文 参考訳(メタデータ) (2020-11-26T14:43:04Z)
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。