論文の概要: Enhancing Hyperedge Prediction with Context-Aware Self-Supervised Learning
- arxiv url: http://arxiv.org/abs/2309.05798v2
- Date: Thu, 30 Jan 2025 08:17:51 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-01-31 15:11:36.649723
- Title: Enhancing Hyperedge Prediction with Context-Aware Self-Supervised Learning
- Title(参考訳): 文脈認識型自己教師付き学習によるハイパーエッジ予測の強化
- Authors: Yunyong Ko, Hanghang Tong, Sang-Wook Kim,
- Abstract要約: 我々は新しいハイパーエッジ予測フレームワーク(CASH)を提案する。
CASHは、コンテキスト認識ノードアグリゲーションを用いて、(C1)ハイパーエッジの各ノード間の複雑な関係をキャプチャし、(2)ハイパーエッジ予測のコンテキストにおける自己教師付きコントラスト学習を行い、(C2)ハイパーグラフ表現を強化する。
6つの実世界のハイパーグラフの実験により、CASHはハイパーエッジ予測の精度で競合する全ての手法を一貫して上回っていることが明らかとなった。
- 参考スコア(独自算出の注目度): 57.35554450622037
- License:
- Abstract: Hypergraphs can naturally model group-wise relations (e.g., a group of users who co-purchase an item) as hyperedges. Hyperedge prediction is to predict future or unobserved hyperedges, which is a fundamental task in many real-world applications (e.g., group recommendation). Despite the recent breakthrough of hyperedge prediction methods, the following challenges have been rarely studied: (C1) How to aggregate the nodes in each hyperedge candidate for accurate hyperedge prediction? and (C2) How to mitigate the inherent data sparsity problem in hyperedge prediction? To tackle both challenges together, in this paper, we propose a novel hyperedge prediction framework (CASH) that employs (1) context-aware node aggregation to precisely capture complex relations among nodes in each hyperedge for (C1) and (2) self-supervised contrastive learning in the context of hyperedge prediction to enhance hypergraph representations for (C2). Furthermore, as for (C2), we propose a hyperedge-aware augmentation method to fully exploit the latent semantics behind the original hypergraph and consider both node-level and group-level contrasts (i.e., dual contrasts) for better node and hyperedge representations. Extensive experiments on six real-world hypergraphs reveal that CASH consistently outperforms all competing methods in terms of the accuracy in hyperedge prediction and each of the proposed strategies is effective in improving the model accuracy of CASH. For the detailed information of CASH, we provide the code and datasets at: https://github.com/yy-ko/cash.
- Abstract(参考訳): ハイパーグラフは、グループ関係(例えば、アイテムを共同購入するユーザのグループ)をハイパーエッジとして自然にモデル化することができる。
ハイパーエッジ予測は、将来または未観測のハイパーエッジを予測することであり、これは多くの現実世界のアプリケーション(例えば、グループレコメンデーション)において基本的なタスクである。
ハイパーエッジ予測手法の最近の進歩にもかかわらず、以下の課題はめったに研究されていない。 (C1) 正確なハイパーエッジ予測のために、各ハイパーエッジ候補のノードをどうやって集約するか?
そして (C2) ハイパーエッジ予測におけるデータ空間の問題を軽減するには?
本稿では,(1) ハイパーエッジの各ノード間の複雑な関係を正確に把握するためのコンテキスト認識ノードアグリゲーションと(2) ハイパーエッジ予測のコンテキストにおける自己教師付きコントラスト学習を用いて,(C2) のハイパーグラフ表現を強化する新しいハイパーエッジ予測フレームワーク(CASH)を提案する。
さらに、(C2)では、元のハイパーグラフの背後にある潜在意味論を完全に活用し、ノードレベルのコントラストとグループレベルのコントラスト(双対コントラスト)の両方を、より良いノードおよびハイパーエッジ表現のために考慮するハイパーエッジ対応拡張法を提案する。
6つの実世界のハイパーグラフに対する大規模な実験により、CASHはハイパーエッジ予測の精度で競合する全ての手法を一貫して上回り、提案手法のそれぞれがCASHのモデル精度を向上させるのに有効であることが判明した。
CASHの詳細については、 https://github.com/yy-ko/cash.com/cashでコードとデータセットを提供しています。
関連論文リスト
- HyGEN: Regularizing Negative Hyperedge Generation for Accurate Hyperedge Prediction [16.673776336773738]
ハイパーエッジ予測は、観測されたネットワーク構造に基づいて将来の高次関係を予測するための基本的なタスクである。
しかし、既存のハイパーエッジ予測手法は、データ空間の問題に悩まされている。
本稿では,より現実的なものを生成するためのガイダンスとして,正のハイパーエッジを用いた負のハイパーエッジジェネレータを用いた新しいハイパーエッジ予測手法HyGENを提案する。
論文 参考訳(メタデータ) (2025-02-09T09:27:35Z) - Scalable and Effective Negative Sample Generation for Hyperedge Prediction [55.9298019975967]
ハイパーエッジ予測は、Webベースのアプリケーションにおける複雑なマルチエンタリティ相互作用を理解するために不可欠である。
従来の手法では、正と負のインスタンスの不均衡により、高品質な負のサンプルを生成するのが困難であることが多い。
本稿では,これらの課題に対処するために拡散モデルを利用するハイパーエッジ予測(SEHP)フレームワークのスケーラブルで効果的な負のサンプル生成について述べる。
論文 参考訳(メタデータ) (2024-11-19T09:16:25Z) - SPHINX: Structural Prediction using Hypergraph Inference Network [19.853413818941608]
本稿では,非教師付き手法で遅延ハイパーグラフ構造を推論するモデルであるハイパーグラフ推論ネットワーク(SPHINX)を用いた構造予測を提案する。
k-サブセットサンプリングの最近の進歩は、離散ハイパーグラフ構造を生成するのに適したツールであることを示す。
結果として得られるモデルは、現代のハイパーグラフニューラルネットワークに必要な高次構造を生成することができる。
論文 参考訳(メタデータ) (2024-10-04T07:49:57Z) - Adaptive Hypergraph Network for Trust Prediction [23.219647971257725]
ハイパーグラフは複雑な高次相関をモデル化するための柔軟なアプローチを提供する。
ほとんどのハイパーグラフベースの手法はジェネリックであり、信頼予測タスクにはうまく適用できない。
信頼予測のための適応ハイパーグラフネットワーク(AHNTP)を提案し,高次相関を用いて信頼予測精度を向上させる。
論文 参考訳(メタデータ) (2024-02-07T15:21:18Z) - 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) - Neural Temporal Point Processes for Forecasting Directional Relations in Evolving Hypergraphs [10.803714426078642]
汎用環境での方向性関係の予測問題に対する包括的解を提供する。
可能なハイパーエッジの数は、イベント時間毎のノード数で指数関数的である。
予測過程を複数の段階に分割する逐次生成手法を提案する。
論文 参考訳(メタデータ) (2023-01-28T14:32:14Z) - Refined Edge Usage of Graph Neural Networks for Edge Prediction [51.06557652109059]
We propose a novel edge prediction paradigm named Edge-aware Message PassIng neuRal nEtworks (EMPIRE)。
まず,各エッジをトポロジや監督のためにのみ使用するエッジ分割手法を提案する。
監視エッジで接続されたペアと接続されていないペアの差を強調するために、さらにメッセージを重み付けして、その差を反映できる相対的なペアを強調します。
論文 参考訳(メタデータ) (2022-12-25T23:19:56Z) - Supervised Hypergraph Reconstruction [3.69853388955692]
高次相互作用を含む多くの実世界のシステムは、ハイパーグラフによって符号化される。
データセットは、しばしば公開され、投影の形でのみ研究される。
教師付きハイパーグラフ再構成を提案する。
我々のアプローチは、ハードデータセット上での精度の桁違いに全てのベースラインを上回ります。
論文 参考訳(メタデータ) (2022-11-23T23:15:03Z) - Augmentations in Hypergraph Contrastive Learning: Fabricated and
Generative [126.0985540285981]
我々は、ハイパーグラフニューラルネットワークの一般化性を改善するために、画像/グラフからの対照的な学習アプローチ(ハイパーGCLと呼ぶ)を適用する。
我々は、高次関係を符号化したハイパーエッジを増大させる2つのスキームを作成し、グラフ構造化データから3つの拡張戦略を採用する。
拡張ビューを生成するためのハイパーグラフ生成モデルを提案し、次に、ハイパーグラフ拡張とモデルパラメータを協調的に学習するエンド・ツー・エンドの微分可能なパイプラインを提案する。
論文 参考訳(メタデータ) (2022-10-07T20:12:20Z) - Progressive End-to-End Object Detection in Crowded Scenes [96.92416613336096]
以前のクエリベースの検出器は2つの欠点に悩まされていた: まず、複数の予測が1つのオブジェクトに対して推論される。
具体的には、まず受理されたクエリを選択して正の予測を生成し、その後、受理された予測に従って残雑音のあるクエリを精査する。
提案手法は,混み合ったシーンにおける問合せ型検出器の性能を大幅に向上させることができることを示す。
論文 参考訳(メタデータ) (2022-03-15T06:12:00Z)
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。