論文の概要: Revisiting Link Prediction: A Data Perspective

• arxiv url: http://arxiv.org/abs/2310.00793v2
• Date: Tue, 6 Feb 2024 06:00:53 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-07 20:15:05.935921
• Title: Revisiting Link Prediction: A Data Perspective
• Title（参考訳）: リンク予測の再検討: データパースペクティブ
• Authors: Haitao Mao, Juanhui Li, Harry Shomer, Bingheng Li, Wenqi Fan, Yao Ma, Tong Zhao, Neil Shah, Jiliang Tang
• Abstract要約: グラフの基本的なタスクであるリンク予測は、友人の推薦、タンパク質分析、薬物相互作用予測など、様々な応用において不可欠であることが証明されている。 既存の文献の証拠は、すべてのデータセットに適した普遍的に最良のアルゴリズムが存在しないことを裏付けている。 我々は,局所的な構造的近接,大域的な構造的近接,特徴的近接という,リンク予測に不可欠な3つの基本的要因を認識する。
• 参考スコア（独自算出の注目度）: 61.52668130971441
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Link prediction, a fundamental task on graphs, has proven indispensable in various applications, e.g., friend recommendation, protein analysis, and drug interaction prediction. However, since datasets span a multitude of domains, they could have distinct underlying mechanisms of link formation. Evidence in existing literature underscores the absence of a universally best algorithm suitable for all datasets. In this paper, we endeavor to explore principles of link prediction across diverse datasets from a data-centric perspective. We recognize three fundamental factors critical to link prediction: local structural proximity, global structural proximity, and feature proximity. We then unearth relationships among those factors where (i) global structural proximity only shows effectiveness when local structural proximity is deficient. (ii) The incompatibility can be found between feature and structural proximity. Such incompatibility leads to GNNs for Link Prediction (GNN4LP) consistently underperforming on edges where the feature proximity factor dominates. Inspired by these new insights from a data perspective, we offer practical instruction for GNN4LP model design and guidelines for selecting appropriate benchmark datasets for more comprehensive evaluations.
• Abstract（参考訳）: グラフの基本的なタスクであるリンク予測は、フレンドレコメンデーション、タンパク質分析、薬物相互作用予測など、様々なアプリケーションで必須であることが証明されている。 しかし、データセットは複数のドメインにまたがるので、異なるリンク形成メカニズムを持つことができる。 既存の文献の証拠は、すべてのデータセットに適した普遍的に最適なアルゴリズムが存在しないことを裏付けている。 本稿では,データ中心の観点から,多様なデータセットにまたがるリンク予測の原理を探求する。 リンク予測に不可欠な3つの基本的な要因は,局所的構造的近接,大域的構造的近接,特徴的近接である。 それらの要因間の関係を解明し (i)大域構造近接は局所構造近接が不十分な場合にのみ有効である。 (ii) 特徴点と構造的近接点の間には不整合が認められる。 このような非互換性は、特徴近接係数が支配するエッジにおいて、GNNのリンク予測(GNN4LP)が一貫して過小評価される。 データの観点からのこれらの新たな洞察に触発され、より包括的な評価のために適切なベンチマークデータセットを選択するためのGNN4LPモデル設計とガイドラインの実践的指導を提供する。

関連論文リスト

• Towards Better Graph-based Cross-document Relation Extraction via Non-bridge Entity Enhancement and Prediction Debiasing [30.204313638661255]
  文書間関係抽出は,異なる文書に存在する対象エンティティ間の関係を予測することを目的としている。 本稿では,非ブリッジエンティティ拡張と予測バイアスを用いたグラフベースのクロスドキュメントREモデルを提案する。
  論文  参考訳（メタデータ） (2024-06-24T11:08:28Z)
• Trust your Good Friends: Source-free Domain Adaptation by Reciprocal Neighborhood Clustering [50.46892302138662]
  我々は、ソースデータがない場合に、ソース事前学習されたモデルをターゲット領域に適応させる、ソースフリー領域適応問題に対処する。 提案手法は,ソースドメイン分類器と一致しない可能性のあるターゲットデータが,依然として明確なクラスタを形成しているという観測に基づいている。 本研究では, この地域構造を, 地域住民, 相互隣人, 及び拡張近所を考慮し, 効率的に把握できることを実証する。
  論文  参考訳（メタデータ） (2023-09-01T15:31:18Z)
• Variational Disentangled Graph Auto-Encoders for Link Prediction [10.390861526194662]
  本稿では,DGAE(disentangled graph auto-encoder)とVDGAE(variantal disentangled graph auto-encoder)の2つの変種を持つ新しいフレームワークを提案する。 提案フレームワークは,グラフのエッジの原因となる潜伏因子を推定し,その表現を一意の潜伏因子に対応する複数のチャネルに分解する。
  論文  参考訳（メタデータ） (2023-06-20T06:25:05Z)
• BSAL: A Framework of Bi-component Structure and Attribute Learning for Link Prediction [33.488229191263564]
  トポロジや特徴空間からの情報を適応的に活用する二成分構造・属性学習フレームワーク(BSAL)を提案する。 BSALはノード属性を介してセマンティックトポロジを構築し、セマンティックビューに関する埋め込みを取得する。 ノード属性が持つ情報を適応的に組み込む、フレキシブルで実装が容易なソリューションを提供する。
  論文  参考訳（メタデータ） (2022-04-18T03:12:13Z)
• Handling Distribution Shifts on Graphs: An Invariance Perspective [77.14319095965058]
  グラフ上のノードレベルの予測にOOD問題を定式化する。 そこで我々は,探索から抽出までのリスク最小化という新たなドメイン不変学習手法を開発した。 理論的に有効なOOD解の保証を示すことによって,本手法の有効性を実証する。
  論文  参考訳（メタデータ） (2022-02-05T02:31:01Z)
• Inter-domain Multi-relational Link Prediction [19.094154079752123]
  関連するグラフが共存する場合には、より小さなグラフを統合することで、より大きなグラフを構築するという大きなメリットがあります。 この統合では、異なるグラフに属するエンティティ間の隠れたリレーショナル接続を予測する必要がある。 ドメイン間リンク予測問題に対して,異なるドメイン間のエンティティ分布をソフトに整合させることにより,新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2021-06-11T05:10:31Z)
• Link Prediction on N-ary Relational Facts: A Graph-based Approach [18.01071110085996]
  知識グラフ(KG)のリンク予測は重要な研究トピックである。 本稿では,n-項関係の事実に対するリンク予測を考察し,この課題に対するグラフベースアプローチを提案する。
  論文  参考訳（メタデータ） (2021-05-18T12:40:35Z)
• Link Prediction on N-ary Relational Data Based on Relatedness Evaluation [61.61555159755858]
  我々は,n-aryリレーショナルデータ上でリンク予測を行うNaLPという手法を提案する。 各 n 個の関係事実を、その役割と役割と値のペアの集合として表現する。 実験結果は,提案手法の有効性と有用性を検証した。
  論文  参考訳（メタデータ） (2021-04-21T09:06:54Z)
• Should Graph Convolution Trust Neighbors? A Simple Causal Inference Method [114.48708191371524]
  グラフ畳み込みネットワーク(GCN)は情報検索(IR)アプリケーションのための新興技術である。 この研究は、ほとんど精査されていないテストノードの局所的な構造差に焦点を当てている。 本稿では,GCNの動作メカニズムを因果グラフを用いて解析し,ノードの局所構造による因果効果を推定する。
  論文  参考訳（メタデータ） (2020-10-22T15:21:47Z)
• Cross-Domain Facial Expression Recognition: A Unified Evaluation Benchmark and Adversarial Graph Learning [85.6386289476598]
  我々は,クロスドメイン全体的特徴共適応のための新しい逆グラフ表現適応(AGRA)フレームワークを開発した。 我々は,いくつかの一般的なベンチマークで広範囲かつ公平な評価を行い,提案したAGRAフレームワークが従来の最先端手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2020-08-03T15:00:31Z)

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。