論文の概要: Long-range Dependency based Multi-Layer Perceptron for Heterogeneous Information Networks

• arxiv url: http://arxiv.org/abs/2307.08430v1
• Date: Mon, 17 Jul 2023 12:20:07 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-18 13:37:31.596578
• Title: Long-range Dependency based Multi-Layer Perceptron for Heterogeneous Information Networks
• Title（参考訳）: 異種情報ネットワークのための長距離依存型多層パーセプトロン
• Authors: Chao Li, Zijie Guo, Qiuting He, Hao Xu and Kun He
• Abstract要約: 長距離依存性に基づく多層パーセプトロン(LDMLP) 長距離依存性に基づく多層パーセプトロン(LDMLP) 8つの異種データセットの実験により、LDMLPが最先端のパフォーマンスを達成することが示された。
• 参考スコア（独自算出の注目度）: 14.746115829062349
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Existing heterogeneous graph neural networks (HGNNs) have achieved great success in utilizing the rich semantic information in heterogeneous information networks (HINs). However, few works have delved into the utilization of long-range dependencies in HINs, which is extremely valuable as many real-world HINs are sparse, and each node has only a few directly connected neighbors. Although some HGNNs can utilize distant neighbors by stacking multiple layers or leveraging long meta-paths, the exponentially increased number of nodes in the receptive field or the number of meta-paths incurs high computation and memory costs. To address these issues, we investigate the importance of different meta-paths and propose Long-range Dependency based Multi-Layer Perceptron (LDMLP). Specifically, to solve the high-cost problem of leveraging long-range dependencies, LDMLP adopts a search stage to discover effective meta-paths automatically, reducing the exponentially increased number of meta-paths to a constant. To avoid the influence of specific modules on search results, LDMLP utilizes a simple architecture with only multi-layer perceptions in the search stage, improving the generalization of searched meta-paths. As a result, the searched meta-paths not only perform well in LDMLP but also enable other HGNNs like HAN and SeHGNN to perform better. Extensive experiments on eight heterogeneous datasets demonstrate that LDMLP achieves state-of-the-art performance while enjoying high efficiency and generalization, especially on sparse HINs.
• Abstract（参考訳）: 既存のヘテロジニアスグラフニューラルネットワーク(HGNN)は、ヘテロジニアス情報ネットワーク(HIN)におけるリッチセマンティック情報の利用において大きな成功を収めている。 しかし、多くの現実世界のHINが疎結合であるため、HINにおける長距離依存の利用について研究する研究はほとんどなく、各ノードは直接接続された隣人しか持たない。 いくつかのHGNNは、複数のレイヤを積み重ねたり、長いメタパスを利用することで、遠く離れた隣人を利用することができるが、受容領域におけるノードの数やメタパスの数の増加は、高い計算とメモリコストを引き起こす。 これらの問題に対処するために、異なるメタパスの重要性を調査し、長期依存型多層パーセプトロン(ldmlp)を提案する。 具体的には、長距離依存を利用した高コストな問題を解決するため、LDMLPは探索段階を採用し、効果的なメタパスを自動的に発見し、指数関数的に増加するメタパス数を一定に削減する。 特定のモジュールが検索結果に与える影響を避けるため,LDMLPは,検索段階における多層認識のみを備えたシンプルなアーキテクチャを用いて,検索されたメタパスの一般化を改善する。 その結果、検索されたメタパスは LDMLP でよく機能するだけでなく、HAN や SeHGNN などの他の HGNN でも性能が向上する。 8つのヘテロジニアスデータセットに対する大規模な実験により、LDMLPは高い効率と一般化を享受しながら、特にスパースHINにおいて最先端の性能を達成することが示された。

関連論文リスト

• LAMP: Learnable Meta-Path Guided Adversarial Contrastive Learning for Heterogeneous Graphs [22.322402072526927]
  Heterogeneous Graph Contrastive Learning (HGCL)は通常、事前に定義されたメタパスを必要とする。 textsfLAMPは様々なメタパスのサブグラフを統一的で安定した構造に統合する。 textsfLAMPは、精度と堅牢性の観点から、既存の最先端の教師なしモデルよりも大幅に優れています。
  論文  参考訳（メタデータ） (2024-09-10T08:27:39Z)
• Multi-Scene Generalized Trajectory Global Graph Solver with Composite Nodes for Multiple Object Tracking [61.69892497726235]
  複合ノードメッセージパッシングネットワーク(CoNo-Link)は、超長いフレーム情報を関連付けるためのフレームワークである。 オブジェクトをノードとして扱う従来の方法に加えて、このネットワークは情報インタラクションのためのノードとしてオブジェクトトラジェクトリを革新的に扱う。 我々のモデルは、合成ノードを追加することで、より長い時間スケールでより良い予測を学習することができる。
  論文  参考訳（メタデータ） (2023-12-14T14:00:30Z)
• Active Neural Topological Mapping for Multi-Agent Exploration [24.91397816926568]
  マルチエージェント協調探索問題では、複数のエージェントが限られた時間で感覚信号を介して見えない環境を探索する必要がある。 トポロジカルマップは、抽象的だが不可欠な情報を持つノードとエッジのみからなる、有望な代替手段である。 深層強化学習は、高速なエンドツーエンド推論を通じて(ほぼ)最適ポリシーを学ぶ大きな可能性を示している。 マルチエージェント探索作業における探索効率の向上と一般化を目的とした,Multi-Agent Neural Topological Mapping (MANTM)を提案する。
  論文  参考訳（メタデータ） (2023-11-01T03:06:14Z)
• Meta-Path Learning for Multi-relational Graph Neural Networks [14.422104525197838]
  本稿では,少数の情報的メタパスに基づいて,高精度なメタパスとメタパスGNNの学習手法を提案する。 実験により,本手法は関係性が高い場合でも,関連メタパスを正しく同定できることが示唆された。
  論文  参考訳（メタデータ） (2023-09-29T10:12:30Z)
• Differentiable Meta Multigraph Search with Partial Message Propagation on Heterogeneous Information Networks [18.104982772430102]
  異種情報ネットワーク(HIN)上でのニューラルネットワーク設計を自動的に最適化するPMMM(Partial Message Meta Multigraph Search)を提案する。 PMMMは、意味のあるメタマルチグラフを探すために効率的な微分可能なフレームワークを採用しており、メタグラフよりも柔軟で複雑なセマンティックな関係を捉えることができる。 我々の手法は、最先端の異種GNNより優れ、意味のあるメタマルチグラフを見つけ、より安定している。
  論文  参考訳（メタデータ） (2022-11-27T07:35:42Z)
• MGNNI: Multiscale Graph Neural Networks with Implicit Layers [53.75421430520501]
  暗黙グラフニューラルネットワーク(GNN)は、基礎となるグラフの長距離依存性をキャプチャするために提案されている。 暗黙的GNNの2つの弱点は、長距離依存を捉えるための限られた有効範囲による制約付き表現性と、複数の解像度でグラフ上のマルチスケール情報をキャプチャする能力の欠如である。 グラフ上のマルチスケール構造をモデル化できる暗黙の層(MGNNI)を持つマルチスケールグラフニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2022-10-15T18:18:55Z)
• 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)
• Learning Multi-Granular Hypergraphs for Video-Based Person Re-Identification [110.52328716130022]
  ビデオベースの人物識別(re-ID)はコンピュータビジョンにおいて重要な研究課題である。 MGH(Multi-Granular Hypergraph)という新しいグラフベースのフレームワークを提案する。 MARSの90.0%のトップ-1精度はMGHを用いて達成され、最先端のスキームよりも優れていた。
  論文  参考訳（メタデータ） (2021-04-30T11:20:02Z)
• GCN for HIN via Implicit Utilization of Attention and Meta-paths [104.24467864133942]
  不均一情報ネットワーク(HIN)埋め込みは、HINの構造と意味情報を分散表現にマッピングすることを目的としている。 本稿では,注意とメタパスを暗黙的に活用するニューラルネットワーク手法を提案する。 まず、各層で識別集約を行う多層グラフ畳み込みネットワーク(GCN)フレームワークを用いる。 次に,アグリゲーションから分離可能な新しい伝搬操作を導入することにより,効果的な緩和と改善を行う。
  論文  参考訳（メタデータ） (2020-07-06T11:09:40Z)
• Policy-GNN: Aggregation Optimization for Graph Neural Networks [60.50932472042379]
  グラフニューラルネットワーク(GNN)は、局所的なグラフ構造をモデル化し、隣人からの情報を集約することで階層的なパターンを捉えることを目的としている。 複雑なグラフとスパースな特徴を与えられた各ノードに対して効果的なアグリゲーション戦略を開発することは難しい課題である。 本稿では,GNNのサンプリング手順とメッセージパッシングを複合学習プロセスにモデル化するメタ政治フレームワークであるPolicy-GNNを提案する。
  論文  参考訳（メタデータ） (2020-06-26T17:03:06Z)
• Interpretable and Efficient Heterogeneous Graph Convolutional Network [27.316334213279973]
  異種情報ネットワーク(HIN)におけるオブジェクトの表現を学習するための、解釈可能で効率的な異種グラフ畳み込みネットワーク(e-HGCN)を提案する。 ie-HGCNは、長さ制限内で可能なすべてのメタパスから、各オブジェクトの有用なメタパスを自動的に抽出することができる。 また、中間HIN変換や近傍の注意を回避して計算コストを削減できる。
  論文  参考訳（メタデータ） (2020-05-27T06:06:00Z)

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。