論文の概要: Classification of Edge-dependent Labels of Nodes in Hypergraphs
- arxiv url: http://arxiv.org/abs/2306.03032v1
- Date: Mon, 5 Jun 2023 16:50:34 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-06 13:42:25.722276
- Title: Classification of Edge-dependent Labels of Nodes in Hypergraphs
- Title（参考訳）: ハイパーグラフにおけるノードのエッジ依存ラベルの分類
- Authors: Minyoung Choe, Sunwoo Kim, Jaemin Yoo, Kijung Shin
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 17.454063924648896
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: A hypergraph is a data structure composed of nodes and hyperedges, where each
hyperedge is an any-sized subset of nodes. Due to the flexibility in hyperedge
size, hypergraphs represent group interactions (e.g., co-authorship by more
than two authors) more naturally and accurately than ordinary graphs.
Interestingly, many real-world systems modeled as hypergraphs contain
edge-dependent node labels, i.e., node labels that vary depending on
hyperedges. For example, on co-authorship datasets, the same author (i.e., a
node) can be the primary author in a paper (i.e., a hyperedge) but the
corresponding author in another paper (i.e., another hyperedge).
In this work, we introduce a classification of edge-dependent node labels as
a new problem. This problem can be used as a benchmark task for hypergraph
neural networks, which recently have attracted great attention, and also the
usefulness of edge-dependent node labels has been verified in various
applications. To tackle this problem, we propose WHATsNet, a novel hypergraph
neural network that represents the same node differently depending on the
hyperedges it participates in by reflecting its varying importance in the
hyperedges. To this end, WHATsNet models the relations between nodes within
each hyperedge, using their relative centrality as positional encodings. In our
experiments, we demonstrate that WHATsNet significantly and consistently
outperforms ten competitors on six real-world hypergraphs, and we also show
successful applications of WHATsNet to (a) ranking aggregation, (b) node
clustering, and (c) product return prediction.
- Abstract（参考訳）: ハイパーグラフはノードとハイパーエッジで構成されるデータ構造であり、各ハイパーエッジはノードの任意のサイズのサブセットである。
ハイパーエッジサイズの柔軟性のため、ハイパーグラフは通常のグラフよりも自然かつ正確にグループインタラクション(例えば2人以上の著者による共著者)を表現する。
興味深いことに、ハイパーグラフとしてモデル化された現実世界の多くのシステムは、エッジ依存ノードラベル、すなわちハイパーエッジに依存するノードラベルを含んでいる。
例えば、共著者データセットでは、同じ著者(すなわちノード)が、論文(すなわちハイパーエッジ)では第一著者となるが、別の論文(すなわち別のハイパーエッジ)では対応する著者となることができる。
本稿では,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が、近年は注目を浴びており、エッジに依存したノードラベルの有用性が様々なアプリケーションで検証されている。
この問題に対処するため,我々は,ハイパーエッジにおけるその重要性を反映することにより,その関与するハイパーエッジによって異なるノードを表現する,新しいハイパーグラフニューラルネットワークであるwhatsnetを提案する。
この目的のために、WHATsNetは各ハイパーエッジ内のノード間の関係をモデル化し、相対集中性を位置エンコーディングとして利用する。
我々の実験では、WHATsNetは6つの実世界のハイパーグラフにおいて10の競合相手よりも大きく、一貫して優れており、またWHATsNetの応用が成功することを示す。
(a)ランキング集計
(b)ノードクラスタリング、および
(c)製品リターン予測。
関連論文リスト
- Hyperedge Modeling in Hypergraph Neural Networks by using Densest Overlapping Subgraphs [0.0]
グラフクラスタリングにおける最も重要な問題の1つは、最も重なり合う部分グラフ(DOS)を見つけることである。
本稿では,最も重なり合う部分グラフを生成するプロセスを改善するための新しいアプローチとして,アグロメラティシオン (DOSAGE) アルゴリズムを用いたDOS問題の解を提案する。
標準ベンチマークの実験では、DOSAGEアルゴリズムはノード分類タスクにおいて、HGNNや他の6つのメソッドよりも大幅に優れていた。
論文 参考訳（メタデータ） (2024-09-16T14:56:10Z) - 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) - BOURNE: Bootstrapped Self-supervised Learning Framework for Unified
Graph Anomaly Detection [50.26074811655596]
自己指導型自己学習(BOURNE)に基づく新しい統合グラフ異常検出フレームワークを提案する。
ノードとエッジ間のコンテキスト埋め込みを交換することで、ノードとエッジの異常を相互に検出できる。
BOURNEは、負のサンプリングを必要としないため、大きなグラフを扱う際の効率を高めることができる。
論文 参考訳（メタデータ） (2023-07-28T00:44:57Z) - 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) - 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) - A Hypergraph Neural Network Framework for Learning Hyperedge-Dependent
Node Embeddings [39.9678554461845]
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。
論文 参考訳（メタデータ） (2022-12-28T19:45:38Z) - Semi-Supervised Hierarchical Graph Classification [54.25165160435073]
ノードがグラフのインスタンスである階層グラフにおけるノード分類問題について検討する。
本稿では階層グラフ相互情報(HGMI)を提案し,理論的保証をもってHGMIを計算する方法を提案する。
本稿では,この階層グラフモデリングとSEAL-CI法がテキストおよびソーシャルネットワークデータに与える影響を実証する。
論文 参考訳（メタデータ） (2022-06-11T04:05:29Z) - 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) - HEAT: Hyperedge Attention Networks [34.65832569321654]
HEATは型付きハイパーグラフと資格付きハイパーグラフを表現可能なニューラルモデルである。
これは、メッセージパッシングニューラルネットワークとトランスフォーマーの両方の一般化と見なすことができる。
プログラムの新たなハイパーグラフ表現を用いた知識ベース補完とバグ検出と修復について評価する。
論文 参考訳（メタデータ） (2022-01-28T13:42:01Z) - Love tHy Neighbour: Remeasuring Local Structural Node Similarity in
Hypergraph-Derived Networks [2.246222223318928]
ノードペア間のハイパーグラフ指向の類似度スコアを複数提案する。
グラフトポロジーに基づくスコアをハイパーグラフに拡張するための理論的定式化を提供する。
論文 参考訳（メタデータ） (2021-10-30T14:12:58Z) - Adaptive Neural Message Passing for Inductive Learning on Hypergraphs [21.606287447052757]
本稿では,新しいハイパーグラフ学習フレームワークHyperMSGを紹介する。
各ノードの次数集中度に関連する注意重みを学習することで、データとタスクに適応する。
堅牢で、幅広いタスクやデータセットで最先端のハイパーグラフ学習手法より優れています。
論文 参考訳（メタデータ） (2021-09-22T12:24:02Z)
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。