論文の概要: Semantic Random Walk for Graph Representation Learning in Attributed
Graphs
- arxiv url: http://arxiv.org/abs/2305.06531v1
- Date: Thu, 11 May 2023 02:35:16 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-12 16:16:41.218134
- Title: Semantic Random Walk for Graph Representation Learning in Attributed
Graphs
- Title(参考訳): 有意グラフにおけるグラフ表現学習のための意味的ランダムウォーク
- Authors: Meng Qin
- Abstract要約: 本稿では,2つの異種ソースの結合最適化を高次近接ベースフレームワークに定式化するための新しい意味グラフ表現(SGR)法を提案する。
高次トポロジ確率を考慮した従来の埋め込み法は、新しく構築されたグラフに容易に適用でき、ノードと属性の両方の表現を学習することができる。
学習された属性の埋め込みは、セマンティック指向の推論タスクを効果的にサポートし、グラフの深いセマンティックを明らかにするのに役立つ。
- 参考スコア(独自算出の注目度): 2.318473106845779
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this study, we focus on the graph representation learning (a.k.a. network
embedding) in attributed graphs. Different from existing embedding methods that
treat the incorporation of graph structure and semantic as the simple
combination of two optimization objectives, we propose a novel semantic graph
representation (SGR) method to formulate the joint optimization of the two
heterogeneous sources into a common high-order proximity based framework.
Concretely, we first construct an auxiliary weighted graph, where the complex
homogeneous and heterogeneous relations among nodes and attributes in the
original graph are comprehensively encoded. Conventional embedding methods that
consider high-order topology proximities can then be easily applied to the
newly constructed graph to learn the representations of both node and attribute
while capturing the nonlinear high-order intrinsic correlation inside or among
graph structure and semantic. The learned attribute embeddings can also
effectively support some semantic-oriented inference tasks (e.g., semantic
community detection), helping to reveal the graph's deep semantic. The
effectiveness of SGR is further verified on a series of real graphs, where it
achieves impressive performance over other baselines.
- Abstract(参考訳): 本研究では,属性グラフにおけるグラフ表現学習(ネットワーク埋め込み)に注目した。
グラフ構造とセマンティックの組込みを2つの最適化目的の単純な組み合わせとして扱う既存の埋め込み方法とは違って, 2つの異種ソースの結合最適化を高次近接ベースフレームワークに定式化するための意味グラフ表現(SGR)法を提案する。
具体的には,まず補助重み付きグラフを構築し,そのグラフ内のノードと属性の複雑な等質的・異質な関係を包括的に符号化する。
高次トポロジーの公理を考える従来の埋め込み手法は、新しく構築されたグラフに容易に適用でき、グラフ構造と意味論の間の非線形高次固有相関を捉えながら、ノードと属性の両方の表現を学ぶことができる。
学習された属性埋め込みは、セマンティック指向の推論タスク(セマンティックコミュニティ検出など)を効果的にサポートし、グラフの深い意味を明らかにするのに役立つ。
SGRの有効性は、他のベースラインよりも印象的なパフォーマンスを達成できる一連の実グラフ上でさらに検証される。
関連論文リスト
- Hypergraph-enhanced Dual Semi-supervised Graph Classification [14.339207883093204]
半教師付きグラフ分類のためのハイパーグラフ拡張DuALフレームワークHEALを提案する。
ノード間の高次関係をよりよく探求するために,複雑なノード依存を適応的に学習するハイパーグラフ構造を設計する。
学習したハイパーグラフに基づいて,ハイパーエッジ間の相互作用を捉える線グラフを導入する。
論文 参考訳(メタデータ) (2024-05-08T02:44:13Z) - DGNN: Decoupled Graph Neural Networks with Structural Consistency
between Attribute and Graph Embedding Representations [62.04558318166396]
グラフニューラルネットワーク(GNN)は、複雑な構造を持つグラフ上での表現学習の堅牢性を示す。
ノードのより包括的な埋め込み表現を得るために、Decoupled Graph Neural Networks (DGNN)と呼ばれる新しいGNNフレームワークが導入された。
複数のグラフベンチマークデータセットを用いて、ノード分類タスクにおけるDGNNの優位性を検証した。
論文 参考訳(メタデータ) (2024-01-28T06:43:13Z) - Homophily-enhanced Structure Learning for Graph Clustering [19.586401211161846]
グラフ構造学習は、欠落したリンクを追加し、スプリアス接続を取り除くことで、入力グラフの精細化を可能にする。
グラフ構造学習におけるこれまでの取り組みは、主に教師付き設定を中心に行われてきた。
グラフクラスタリングのためのtextbfhomophily-enhanced structure textbflearning という新しい手法を提案する。
論文 参考訳(メタデータ) (2023-08-10T02:53:30Z) - Learning from Heterogeneity: A Dynamic Learning Framework for Hypergraphs [22.64740740462169]
本稿では,動的ハイパーエッジ構築と注意深い埋め込み更新が可能なLFHというハイパーグラフ学習フレームワークを提案する。
提案手法の有効性を評価するため,いくつかの一般的なデータセットを対象とした総合的な実験を行った。
論文 参考訳(メタデータ) (2023-07-07T06:26:44Z) - Heterogeneous Graph Neural Networks using Self-supervised Reciprocally
Contrastive Learning [102.9138736545956]
不均一グラフニューラルネットワーク(HGNN)は異種グラフのモデリングと解析において非常に一般的な手法である。
我々は,ノード属性とグラフトポロジの各ガイダンスに関する2つの視点を取り入れた,新規で頑健なヘテロジニアスグラフコントラスト学習手法であるHGCLを初めて開発する。
この新しいアプローチでは,属性とトポロジに関連情報を別々にマイニングする手法として,異なるが最も適した属性とトポロジの融合機構を2つの視点に適用する。
論文 参考訳(メタデータ) (2022-04-30T12:57:02Z) - Joint Graph Learning and Matching for Semantic Feature Correspondence [69.71998282148762]
本稿では,グラフマッチングを向上するための信頼度の高いグラフ構造を探索するために,GLAMという共用電子グラフ学習とマッチングネットワークを提案する。
提案手法は,3つの人気ビジュアルマッチングベンチマーク (Pascal VOC, Willow Object, SPair-71k) で評価される。
すべてのベンチマークにおいて、従来の最先端のグラフマッチング手法よりも大きなマージンを達成している。
論文 参考訳(メタデータ) (2021-09-01T08:24:02Z) - A Robust and Generalized Framework for Adversarial Graph Embedding [73.37228022428663]
本稿では,AGE という逆グラフ埋め込みのための頑健なフレームワークを提案する。
AGEは、暗黙の分布から強化された負のサンプルとして偽の隣接ノードを生成する。
本フレームワークでは,3種類のグラフデータを扱う3つのモデルを提案する。
論文 参考訳(メタデータ) (2021-05-22T07:05:48Z) - Accurate Learning of Graph Representations with Graph Multiset Pooling [45.72542969364438]
本稿では,その構造的依存関係に応じてノード間の相互作用をキャプチャするグラフマルチセットトランス (GMT) を提案する。
実験の結果,GMTはグラフ分類ベンチマークにおいて,最先端のグラフプーリング法を著しく上回っていることがわかった。
論文 参考訳(メタデータ) (2021-02-23T07:45:58Z) - 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) - Graph Pooling with Node Proximity for Hierarchical Representation
Learning [80.62181998314547]
本稿では,ノード近接を利用したグラフプーリング手法を提案し,そのマルチホップトポロジを用いたグラフデータの階層的表現学習を改善する。
その結果,提案したグラフプーリング戦略は,公開グラフ分類ベンチマークデータセットの集合において,最先端のパフォーマンスを達成できることが示唆された。
論文 参考訳(メタデータ) (2020-06-19T13:09:44Z)
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。