論文の概要: Prototype-Enhanced Hypergraph Learning for Heterogeneous Information Networks

• arxiv url: http://arxiv.org/abs/2309.13092v1
• Date: Fri, 22 Sep 2023 09:51:15 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-26 22:25:50.263854
• Title: Prototype-Enhanced Hypergraph Learning for Heterogeneous Information Networks
• Title（参考訳）: ヘテロジニアス情報ネットワークのためのプロトタイプ強化ハイパーグラフ学習
• Authors: Shuai Wang, Jiayi Shen, Athanasios Efthymiou, Stevan Rudinac, Monika Kackovic, Nachoem Wijnberg, Marcel Worring
• Abstract要約: 異種情報ネットワークにおけるノード分類のためのプロトタイプ強化ハイパーグラフ学習手法を提案する。 提案手法はノード間の高次関係を捕捉し,メタパスに依存することなく意味情報を抽出する。
• 参考スコア（独自算出の注目度）: 22.564818600608838
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The variety and complexity of relations in multimedia data lead to Heterogeneous Information Networks (HINs). Capturing the semantics from such networks requires approaches capable of utilizing the full richness of the HINs. Existing methods for modeling HINs employ techniques originally designed for graph neural networks, and HINs decomposition analysis, like using manually predefined metapaths. In this paper, we introduce a novel prototype-enhanced hypergraph learning approach for node classification in HINs. Using hypergraphs instead of graphs, our method captures higher-order relationships among nodes and extracts semantic information without relying on metapaths. Our method leverages the power of prototypes to improve the robustness of the hypergraph learning process and creates the potential to provide human-interpretable insights into the underlying network structure. Extensive experiments on three real-world HINs demonstrate the effectiveness of our method.
• Abstract（参考訳）: マルチメディアデータにおける関係の多様性と複雑さは、異種情報ネットワーク(HIN)につながる。 このようなネットワークからセマンティクスをキャプチャするには、HINの完全な豊かさを活用できるアプローチが必要である。 既存のHINのモデリング方法は、もともとグラフニューラルネットワーク用に設計された技術と、手動で定義されたメタパスを使用するようなHINの分解分析を用いる。 本稿では,HINにおけるノード分類のための新しいハイパーグラフ学習手法を提案する。 グラフの代わりにハイパーグラフを用いてノード間の高次関係を抽出し,メタパスに頼ることなく意味情報を抽出する。 提案手法はプロトタイプの力を利用してハイパーグラフ学習プロセスの堅牢性を向上し,その基盤となるネットワーク構造に対する人間の解釈可能な洞察を提供する可能性を生み出す。 実世界の3つのHINに対する大規模な実験により,本手法の有効性が示された。

関連論文リスト

• Hyperbolic Graph Neural Networks at Scale: A Meta Learning Approach [19.237565246362134]
  本稿では,ノード分類とリンク予測のための新しい手法であるHyperbolic GRAph Meta Learner (H-GRAM)を提案する。 H-GRAMは、ハイパーボリックなメタグラデーションとラベルのハイパーボリックなプロトネットという形で、サポートローカルなサブグラフの集合から転送可能な情報を学習する。 比較分析の結果,H-GRAMは複数の難易度設定で情報を効果的に学習し,転送することがわかった。
  論文  参考訳（メタデータ） (2023-10-29T06:11:49Z)
• 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)
• DualHGNN: A Dual Hypergraph Neural Network for Semi-Supervised Node Classification based on Multi-View Learning and Density Awareness [3.698434507617248]
  グラフに基づく半教師付きノード分類は、研究価値と重要性の高い多くのアプリケーションにおいて最先端のアプローチであることが示されている。 本稿では、ハイパーグラフ構造学習とハイパーグラフ表現学習を同時に統合した新しいデュアル接続モデルであるデュアルハイパーグラフニューラルネットワーク(DualHGNN)を提案する。
  論文  参考訳（メタデータ） (2023-06-07T07:40:04Z)
• Convolutional Learning on Multigraphs [153.20329791008095]
  我々は、多グラフ上の畳み込み情報処理を開発し、畳み込み多グラフニューラルネットワーク(MGNN)を導入する。 情報拡散の複雑なダイナミクスを多グラフのエッジのクラス間で捉えるために、畳み込み信号処理モデルを定式化する。 我々は,計算複雑性を低減するため,サンプリング手順を含むマルチグラフ学習アーキテクチャを開発した。 導入されたアーキテクチャは、最適な無線リソース割り当てとヘイトスピーチローカライゼーションタスクに適用され、従来のグラフニューラルネットワークよりも優れたパフォーマンスを提供する。
  論文  参考訳（メタデータ） (2022-09-23T00:33:04Z)
• Text Enriched Sparse Hyperbolic Graph Convolutional Networks [21.83127488157701]
  グラフニューラルネットワーク(GNN)とその双曲型は、そのようなネットワークを低次元の潜在空間でエンコードするための有望なアプローチを提供する。 本稿では,グラフのメタパス構造を意味信号を用いて捉えるために,テキスト強化スパースハイパーボリックグラフ畳み込みネットワーク(TESH-GCN)を提案する。 我々のモデルは,リンク予測のタスクにおいて,最先端のアプローチよりも大きなマージンで優れている。
  論文  参考訳（メタデータ） (2022-07-06T00:23:35Z)
• Adaptive Convolutional Dictionary Network for CT Metal Artifact Reduction [62.691996239590125]
  本稿では,金属人工物削減のための適応畳み込み辞書ネットワーク(ACDNet)を提案する。 我々のACDNetは、トレーニングデータを介して、アーティファクトフリーCT画像の事前を自動で学習し、入力されたCT画像ごとに表現カーネルを適応的に調整することができる。 本手法は,モデルに基づく手法の明確な解釈可能性を継承し,学習に基づく手法の強力な表現能力を維持する。
  論文  参考訳（メタデータ） (2022-05-16T06:49:36Z)
• 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)
• Directed hypergraph neural network [0.0]
  本稿では,指向性ハイパーグラフのための新しいニューラルネットワーク手法を提案する。 実験で使用される2つのデータセットは、coraとciteseerデータセットである。
  論文  参考訳（メタデータ） (2020-08-09T01:39:52Z)
• Self-supervised Auxiliary Learning with Meta-paths for Heterogeneous Graphs [21.617020380894488]
  ヘテロジニアスグラフ上のグラフニューラルネットワークを学習するための,新しい自己教師付き補助学習法を提案する。 本手法は,任意のグラフニューラルネットワークに対して,手動ラベリングや追加データなしでプラグイン方式で適用することができる。
  論文  参考訳（メタデータ） (2020-07-16T12:32:11Z)
• 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)
• Improved Code Summarization via a Graph Neural Network [96.03715569092523]
  一般に、ソースコード要約技術はソースコードを入力として使用し、自然言語記述を出力する。 これらの要約を生成するために、ASTのデフォルト構造によくマッチするグラフベースのニューラルアーキテクチャを使用するアプローチを提案する。
  論文  参考訳（メタデータ） (2020-04-06T17:36:42Z)

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。