論文の概要: LPFormer: An Adaptive Graph Transformer for Link Prediction

• arxiv url: http://arxiv.org/abs/2310.11009v4
• Date: Thu, 27 Jun 2024 06:09:58 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-28 20:16:23.321382
• Title: LPFormer: An Adaptive Graph Transformer for Link Prediction
• Title（参考訳）: LPFormer: リンク予測のための適応グラフ変換器
• Authors: Harry Shomer, Yao Ma, Haitao Mao, Juanhui Li, Bo Wu, Jiliang Tang,
• Abstract要約: メッセージパッシングネットワーク(MPNN)とニューラルズ手法の利点を組み合わせた新しい手法が登場した。 これらの手法は、候補リンク内のノード間の関係をキャプチャする"ペアワイズエンコーディング"と合わせて、MPNNの出力を用いて予測を行う。 本稿では,各リンクのペアエンコーディングを適応的に学習するLPFormerを提案する。
• 参考スコア（独自算出の注目度）: 37.49095543184634
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Link prediction is a common task on graph-structured data that has seen applications in a variety of domains. Classically, hand-crafted heuristics were used for this task. Heuristic measures are chosen such that they correlate well with the underlying factors related to link formation. In recent years, a new class of methods has emerged that combines the advantages of message-passing neural networks (MPNN) and heuristics methods. These methods perform predictions by using the output of an MPNN in conjunction with a "pairwise encoding" that captures the relationship between nodes in the candidate link. They have been shown to achieve strong performance on numerous datasets. However, current pairwise encodings often contain a strong inductive bias, using the same underlying factors to classify all links. This limits the ability of existing methods to learn how to properly classify a variety of different links that may form from different factors. To address this limitation, we propose a new method, LPFormer, which attempts to adaptively learn the pairwise encodings for each link. LPFormer models the link factors via an attention module that learns the pairwise encoding that exists between nodes by modeling multiple factors integral to link prediction. Extensive experiments demonstrate that LPFormer can achieve SOTA performance on numerous datasets while maintaining efficiency. The code is available at The code is available at https://github.com/HarryShomer/LPFormer.
• Abstract（参考訳）: リンク予測は、さまざまな領域で応用されているグラフ構造化データに関する一般的なタスクである。 古典的には、この作業には手作りのヒューリスティックが用いられた。 ヒューリスティック測度はリンク形成に関連する要因とよく相関する。 近年,メッセージパッシングニューラルネットワーク(MPNN)とヒューリスティックス手法の利点を組み合わせた新しい手法が出現している。 これらの手法は、候補リンク内のノード間の関係をキャプチャする"ペアワイズエンコーディング"と合わせて、MPNNの出力を用いて予測を行う。 多数のデータセットで高いパフォーマンスを達成することが示されている。 しかし、現在のペアエンコーディングはしばしば強い帰納バイアスを伴い、全てのリンクを分類するために同じ基礎的要素を使用する。 これにより、既存のメソッドが様々な要因から生成される様々なリンクを適切に分類する方法を学ぶ能力が制限される。 この制限に対処するため,各リンクのペアエンコーディングを適応的に学習するLPFormerを提案する。 LPFormerは、リンク予測に不可欠な複数の因子をモデル化することによって、ノード間で存在するペアエンコーディングを学習するアテンションモジュールを介して、リンクファクタをモデル化する。 大規模な実験により、LPFormerは効率を保ちながら、多数のデータセット上でSOTA性能を達成できることが示されている。 コードはhttps://github.com/HarryShomer/LPFormer.comで入手できる。

関連論文リスト

• Scalable Graph Compressed Convolutions [68.85227170390864]
  ユークリッド畳み込みのための入力グラフのキャリブレーションに置換を適用する微分可能手法を提案する。 グラフキャリブレーションに基づいて,階層型グラフ表現学習のための圧縮畳み込みネットワーク(CoCN)を提案する。
  論文  参考訳（メタデータ） (2024-07-26T03:14:13Z)
• Recurrent Distance Filtering for Graph Representation Learning [34.761926988427284]
  反復的なワンホップメッセージパッシングに基づくグラフニューラルネットワークは、遠方のノードからの情報を効果的に活用するのに苦労していることが示されている。 これらの課題を解決するための新しいアーキテクチャを提案する。 我々のモデルは、ターゲットへの最短距離で他のノードを集約し、線形RNNを用いてホップ表現のシーケンスを符号化する。
  論文  参考訳（メタデータ） (2023-12-03T23:36:16Z)
• Pure Message Passing Can Estimate Common Neighbor for Link Prediction [25.044734252779975]
  CN(Common Neighbor)の近似におけるMPNNの習熟度について検討する。 本稿では,新しいリンク予測モデルであるMPLP(Message Passing Link Predictor)を紹介する。
  論文  参考訳（メタデータ） (2023-09-02T16:20:41Z)
• Learnable Graph Matching: A Practical Paradigm for Data Association [74.28753343714858]
  これらの問題に対処するための一般的な学習可能なグラフマッチング法を提案する。 提案手法は,複数のMOTデータセット上での最先端性能を実現する。 画像マッチングでは,一般的な屋内データセットであるScanNetで最先端の手法より優れている。
  論文  参考訳（メタデータ） (2023-03-27T17:39:00Z)
• Dynamic Graph Message Passing Networks for Visual Recognition [112.49513303433606]
  長距離依存のモデリングは、コンピュータビジョンにおけるシーン理解タスクに不可欠である。 完全連結グラフはそのようなモデリングには有益であるが、計算オーバーヘッドは禁じられている。 本稿では,計算複雑性を大幅に低減する動的グラフメッセージパッシングネットワークを提案する。
  論文  参考訳（メタデータ） (2022-09-20T14:41:37Z)
• Link Prediction on Heterophilic Graphs via Disentangled Representation Learning [28.770767478688008]
  異種グラフ上のリンク予測のための非絡み合い表現学習の新しい問題について検討する。 DisenLinkは、リンク生成をモデル化し、ファクトリ対応のメッセージパスを実行し、リンク予測を容易にすることで、アンタングル表現を学習することができる。
  論文  参考訳（メタデータ） (2022-08-03T02:48:26Z)
• Pairwise Learning for Neural Link Prediction [8.47851935836378]
  このフレームワークは、リンク予測をペアワイズ学習として扱い、問題をランク付けする。 周辺エンコーダ、リンク予測器、負のサンプリング器、客観的関数の4つの主成分から構成される。 提案するPLNLPフレームワークをOpen Graph Benchmarkの4つのリンク特性予測データセット上で評価する。
  論文  参考訳（メタデータ） (2021-12-06T11:17:06Z)
• Highly Parallel Autoregressive Entity Linking with Discriminative Correction [51.947280241185]
  自己回帰リンクを全ての潜在的な言及に対して並列化する,非常に効率的な手法を提案する。 我々のモデルは以前の生成法より70倍高速で精度が高い。
  論文  参考訳（メタデータ） (2021-09-08T17:28:26Z)
• Learning Reasoning Strategies in End-to-End Differentiable Proving [50.9791149533921]
  条件付き定理プローバーは勾配に基づく最適化により最適規則選択戦略を学習する。 条件付き定理プローサは拡張性があり、CLUTRRデータセット上で最先端の結果が得られることを示す。
  論文  参考訳（メタデータ） (2020-07-13T16:22:14Z)
• PushNet: Efficient and Adaptive Neural Message Passing [1.9121961872220468]
  メッセージパッシングニューラルネットワークは、最近、グラフ上での表現学習に対する最先端のアプローチへと進化した。 既存のメソッドは、複数のラウンドですべてのエッジに沿って同期メッセージパッシングを実行する。 我々は、収束するまで最も関連性の高いエッジに沿ってのみ情報をプッシュする、新しい非同期メッセージパッシングアプローチについて検討する。
  論文  参考訳（メタデータ） (2020-03-04T18:15:30Z)

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。