論文の概要: Edge2Node: Reducing Edge Prediction to Node Classification

• arxiv url: http://arxiv.org/abs/2311.02921v2
• Date: Mon, 13 Nov 2023 10:17:43 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-14 19:23:08.292746
• Title: Edge2Node: Reducing Edge Prediction to Node Classification
• Title（参考訳）: Edge2Node: ノード分類へのエッジ予測の削減
• Authors: Zahed Rahmati, Ali Rahmati, Dariush Kazemi
• Abstract要約: 我々はEdge2Node(E2N)と呼ばれる新しいアプローチを導入し、スコアリング関数を必要とせず、各エッジへの埋め込みを直接取得する。 我々のE2N法は, ogbl-ppa, ogbl-collab, ogbl-ddiデータセットのリーダボード上で, それぞれ25.89%, 24.19%, 0.34%の改善を達成している。
• 参考スコア（独自算出の注目度）: 3.551659967094377
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Despite the success of graph neural network models in node classification, edge prediction (the task of predicting missing or potential links between nodes in a graph) remains a challenging problem for these models. A common approach for edge prediction is to first obtain the embeddings of two nodes, and then a predefined scoring function is used to predict the existence of an edge between the two nodes. In this paper, we introduce a new approach called Edge2Node (E2N) which directly obtains an embedding for each edge, without the need for a scoring function. To do this, we create a new graph H based on the graph G given for the edge prediction task, and then reduce the edge prediction task on G to a node classification task on H. Our E2N method can be easily applied to any edge prediction task with superior performance and lower computational costs. Our E2N method beats the best-known methods on the leaderboards for ogbl-ppa, ogbl-collab, and ogbl-ddi datasets by 25.89%, 24.19%, and 0.34% improvements, respectively.
• Abstract（参考訳）: ノード分類におけるグラフニューラルネットワークモデルの成功にもかかわらず、エッジ予測(グラフ内のノード間の欠落や潜在的なリンクを予測するタスク)は、これらのモデルにとって難しい問題である。 エッジ予測の一般的なアプローチは、まず2つのノードの埋め込みを取得し、2つのノード間のエッジの存在を予測するために、事前に定義されたスコアリング関数を使用する。 本稿では,スコアリング機能を必要とせず,各エッジへの埋め込みを直接得るedge2node (e2n) と呼ばれる新しい手法を提案する。 これを実現するために,エッジ予測タスクに与えられたグラフgに基づいて新しいグラフhを作成し,gのエッジ予測タスクをh上のノード分類タスクに還元する。 我々のE2N法は, ogbl-ppa, ogbl-collab, ogbl-ddiデータセットのリーダーボード上で, それぞれ25.89%, 24.19%, 0.34%改善した。

関連論文リスト

• 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)
• Bring Your Own View: Graph Neural Networks for Link Prediction with Personalized Subgraph Selection [57.34881616131377]
  異なるエッジに対して最適なサブグラフを自動,個人的,帰納的に識別するプラグイン・アンド・プレイ・フレームワークとしてパーソナライズされたサブグラフセレクタ(PS2)を導入する。 PS2は二段階最適化問題としてインスタンス化され、効率よく解ける。 GNNLPトレーニングに対する新たなアプローチとして,まずエッジの最適な部分グラフを識別し,次にサンプル部分グラフを用いて推論モデルをトレーニングすることを提案する。
  論文  参考訳（メタデータ） (2022-12-23T17:30:19Z)
• A Graph Is More Than Its Nodes: Towards Structured Uncertainty-Aware Learning on Graphs [49.76175970328538]
  本稿では,エッジワイド・キャリブレーション・エラー(ECE)とアライアンス・ディスアグリーECEを新たに提案し,ノードワイド・セッティングを超えるグラフの不確実性推定の基準を提供する。 実験により,提案したエッジワイドメトリクスがノードワイズの結果を補完し,さらなる洞察を得ることが実証された。
  論文  参考訳（メタデータ） (2022-10-27T16:12:58Z)
• DiP-GNN: Discriminative Pre-Training of Graph Neural Networks [49.19824331568713]
  GNNのパワーを高めるために,グラフニューラルネットワーク(GNN)事前学習法が提案されている。 一般的な事前トレーニング手法の1つは、エッジのパーセンテージをマスクアウトすることであり、GNNはそれらを回復するように訓練されている。 筆者らのフレームワークでは, 識別器が見るグラフは, マスキングエッジの比率を回復できるため, 元のグラフとよく一致している。
  論文  参考訳（メタデータ） (2022-09-15T17:41:50Z)
• Neighborhood Random Walk Graph Sampling for Regularized Bayesian Graph Convolutional Neural Networks [0.6236890292833384]
  本稿では,近隣ランダムウォークサンプリング(BGCN-NRWS)を用いたベイジアングラフ畳み込みネットワーク(Bayesian Graph Convolutional Network)を提案する。 BGCN-NRWSは、グラフ構造を利用したマルコフ・チェイン・モンテカルロ(MCMC)に基づくグラフサンプリングアルゴリズムを使用し、変分推論層を用いてオーバーフィッティングを低減し、半教師付きノード分類における最先端と比較して一貫して競合する分類結果を得る。
  論文  参考訳（メタデータ） (2021-12-14T20:58:27Z)
• Node Classification Meets Link Prediction on Knowledge Graphs [16.37145148171519]
  不完全グラフ上のトランスダクティブノード分類の問題とノード特徴を持つグラフ上のリンク予測について検討する。 ノード分類とリンク予測のための各最先端モデルと比較すると,本モデルは非常に強く機能する。
  論文  参考訳（メタデータ） (2021-06-14T10:52:52Z)
• Line Graph Neural Networks for Link Prediction [71.00689542259052]
  実世界の多くのアプリケーションにおいて古典的なグラフ解析問題であるグラフリンク予測タスクについて検討する。 このフォーマリズムでは、リンク予測問題をグラフ分類タスクに変換する。 本稿では,線グラフをグラフ理論に用いて,根本的に異なる新しい経路を求めることを提案する。 特に、線グラフの各ノードは、元のグラフのユニークなエッジに対応するため、元のグラフのリンク予測問題は、グラフ分類タスクではなく、対応する線グラフのノード分類問題として等価に解決できる。
  論文  参考訳（メタデータ） (2020-10-20T05:54:31Z)
• Interpreting Graph Neural Networks for NLP With Differentiable Edge Masking [63.49779304362376]
  グラフニューラルネットワーク(GNN)は、構造的帰納バイアスをNLPモデルに統合する一般的なアプローチとなっている。 本稿では,不要なエッジを識別するGNNの予測を解釈するポストホック手法を提案する。 モデルの性能を劣化させることなく,多数のエッジを落とせることを示す。
  論文  参考訳（メタデータ） (2020-10-01T17:51:19Z)

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。