論文の概要: Long-range Meta-path Search through Progressive Sampling on Large-scale
Heterogeneous Information Networks
- arxiv url: http://arxiv.org/abs/2307.08430v2
- Date: Fri, 29 Sep 2023 13:54:29 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-02 17:57:05.143786
- Title: Long-range Meta-path Search through Progressive Sampling on Large-scale
Heterogeneous Information Networks
- Title(参考訳): 大規模異種情報ネットワークにおけるプログレッシブサンプリングによる長距離メタパス探索
- Authors: Chao Li, Zijie Guo, Qiuting He, Hao Xu and Kun He
- Abstract要約: プログレッシブサンプリング(LMSPS)による長距離メタパス探索
LMSPSは有効な長距離メタパスを発見し、最先端モデルより優れている。
Open Graph Benchmarkでは、ogbn-magのリーダーボードのトップ1にランクインしている。
- 参考スコア(独自算出の注目度): 12.337441888232624
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Utilizing long-range dependency, though extensively studied in homogeneous
graphs, is rarely studied in large-scale heterogeneous information networks
(HINs), whose main challenge is the high costs and the difficulty in utilizing
effective information. To this end, we investigate the importance of different
meta-paths and propose an automatic framework for utilizing long-range
dependency in HINs, called Long-range Meta-path Search through Progressive
Sampling (LMSPS). Specifically, to discover meta-paths for various datasets or
tasks without prior, we develop a search space with all target-node-related
meta-paths. With a progressive sampling algorithm, we dynamically shrink the
search space with hop-independent time complexity, leading to a compact search
space driven by the current HIN and task. Utilizing a sampling evaluation
strategy as the guidance, we conduct a specialized and expressive meta-path
selection. Extensive experiments on eight heterogeneous datasets demonstrate
that LMSPS discovers effective long-range meta-paths and outperforms
state-of-the-art models. Besides, it ranks top-1 on the leaderboards of
ogbn-mag in Open Graph Benchmark.
- Abstract(参考訳): 長距離依存の活用は、均質グラフで広く研究されているが、高コストと効果的な情報の利用の難しさが主な課題である大規模異種情報ネットワーク(hins)では、ほとんど研究されていない。
そこで本研究では,異なるメタパスの重要性を考察し,Long-range Meta-path Search through Progressive Smpling (LMSPS) と呼ばれる,HINの長距離依存性を利用するためのフレームワークを提案する。
具体的には,様々なデータセットやタスクのメタパスを事前に発見するために,すべてのターゲットノード関連メタパスを用いた検索空間を開発する。
プログレッシブサンプリングアルゴリズムにより、ホップ非依存の時間複雑さで探索空間を動的に縮小し、現在のHINとタスクによって駆動されるコンパクトな探索空間を得る。
サンプリング評価戦略をガイダンスとして用い,特定かつ表現力のあるメタパス選択を行う。
8つの異種データセットに対する大規模な実験により、LMSPSは効果的な長距離メタパスを発見し、最先端のモデルより優れていることが示された。
さらに、Open Graph Benchmarkでogbn-magのリーダーボードのトップ1にランクインしている。
関連論文リスト
- GSINA: Improving Subgraph Extraction for Graph Invariant Learning via
Graph Sinkhorn Attention [52.67633391931959]
グラフ不変学習(GIL)は,グラフデータとそのラベル間の不変性を発見するための効果的な手法である。
グラフシンクホーン注意機構(GSINA)を提案する。
GSINAは、制御可能な空間性と柔らかさを持つ有意義で微分可能な不変部分グラフを得ることができる。
論文 参考訳(メタデータ) (2024-02-11T12:57:16Z) - Efficient Heterogeneous Graph Learning via Random Projection [65.65132884606072]
不均一グラフニューラルネットワーク(HGNN)は、異種グラフを深層学習するための強力なツールである。
最近のプリ計算ベースのHGNNは、一時間メッセージパッシングを使用して不均一グラフを正規形テンソルに変換する。
我々はRandom Projection Heterogeneous Graph Neural Network (RpHGNN) というハイブリッド計算前HGNNを提案する。
論文 参考訳(メタデータ) (2023-10-23T01:25:44Z) - Search to Capture Long-range Dependency with Stacking GNNs for Graph
Classification [41.84399177525008]
浅いGNNは、より深いGNNに直面しているよく知られたオーバースムースな問題のため、より一般的である。
LRGNN(Long-Range Graph Neural Networks)と呼ばれるニューラルアーキテクチャサーチ(NAS)による新しいアプローチを提案する。
論文 参考訳(メタデータ) (2023-02-17T03:40:17Z) - 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) - Heterogeneous Graph Tree Networks [8.50892442127182]
異種グラフニューラルネットワーク(HGNN)は近年,研究の関心が高まっている。
1つのクラスはメタパスベースのHGNNで、メタパスをハンドクラフトするためにドメイン知識を必要とするか、メタパスを自動的に構築するために大量の時間とメモリを消費する。
HetGTCN(Heterogeneous Graph Tree Convolutional Network)とHetGTAN(Hetogeneous Graph Tree Attention Network)の2つのモデルを提案する。
論文 参考訳(メタデータ) (2022-09-01T17:22:01Z) - 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) - Node Feature Extraction by Self-Supervised Multi-scale Neighborhood
Prediction [123.20238648121445]
我々は、新しい自己教師型学習フレームワーク、グラフ情報支援ノード機能exTraction (GIANT)を提案する。
GIANT は eXtreme Multi-label Classification (XMC) 形式を利用しており、これはグラフ情報に基づいた言語モデルの微調整に不可欠である。
我々は,Open Graph Benchmarkデータセット上での標準GNNパイプラインよりもGIANTの方が優れた性能を示す。
論文 参考訳(メタデータ) (2021-10-29T19:55:12Z) - 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) - Learnable Graph Matching: Incorporating Graph Partitioning with Deep
Feature Learning for Multiple Object Tracking [58.30147362745852]
フレーム間のデータアソシエーションは、Multiple Object Tracking(MOT)タスクの中核にある。
既存の手法は、主にトラックレットとフレーム内検出の間のコンテキスト情報を無視する。
そこで本研究では,学習可能なグラフマッチング手法を提案する。
論文 参考訳(メタデータ) (2021-03-30T08:58:45Z) - DiffMG: Differentiable Meta Graph Search for Heterogeneous Graph Neural
Networks [45.075163625895286]
我々はメタグラフを探索し、メタパスよりも複雑なセマンティック関係をキャプチャし、グラフニューラルネットワークが異なるタイプのエッジに沿ってメッセージを伝播する方法を決定する。
我々は、HINの候補メタグラフを表すために、有向非巡回グラフ(DAG)の形式で表現型検索空間を設計する。
本稿では,1回のGNNトレーニングに匹敵する検索コストを1対1に抑えるための,新しい効率的な探索アルゴリズムを提案する。
論文 参考訳(メタデータ) (2020-10-07T08:09:29Z) - GLSearch: Maximum Common Subgraph Detection via Learning to Search [33.9052190473029]
検索モデルに対するグラフニューラルネットワーク(GNN)に基づく学習手法であるGLSearchを提案する。
このモデルでは2つの入力グラフから1対のノードを選択して一度に拡張する。
我々のGLSearchは、グラフ上の制約で他の多くの問題を解決するために拡張できる可能性がある。
論文 参考訳(メタデータ) (2020-02-08T10:03:40Z)
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。