論文の概要: Variational Graph Autoencoder for Heterogeneous Information Networks with Missing and Inaccurate Attributes
- arxiv url: http://arxiv.org/abs/2311.07929v3
- Date: Tue, 19 Nov 2024 06:34:03 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-11-20 13:33:01.318379
- Title: Variational Graph Autoencoder for Heterogeneous Information Networks with Missing and Inaccurate Attributes
- Title（参考訳）: 不正確な属性を持つ異種情報ネットワークのための変分グラフオートエンコーダ
- Authors: Yige Zhao, Jianxiang Yu, Yao Cheng, Chengcheng Yu, Yiding Liu, Xiang Li, Shuaiqiang Wang,
- Abstract要約: Heterogeneous Information Networks (HINs) は近年,グラフマイニングにおいて優れた性能を示している。
本稿では,欠落属性,不正確な属性,ノードのラベル不足に対処するための自己教師付き生成モデルGraMIを提案する。
GraMIは、非分散ノードに対する情報機能を完備するだけでなく、属性ノードに対する不正確な機能を修正できる。
- 参考スコア（独自算出の注目度）: 11.422598762841973
- License:
- Abstract: Heterogeneous Information Networks (HINs), which consist of various types of nodes and edges, have recently demonstrated excellent performance in graph mining. However, most existing heterogeneous graph neural networks (HGNNs) ignore the problems of missing attributes, inaccurate attributes and scarce labels for nodes, which limits their expressiveness. In this paper, we propose a generative self-supervised model GraMI to address these issues simultaneously. Specifically, GraMI first initializes all the nodes in the graph with a low-dimensional representation matrix. After that, based on the variational graph autoencoder framework, GraMI learns both node-level and attribute-level embeddings in the encoder, which can provide fine-grained semantic information to construct node attributes. In the decoder, GraMI reconstructs both links and attributes. Instead of directly reconstructing raw features for attributed nodes, GraMI generates the initial low-dimensional representation matrix for all the nodes, based on which raw features of attributed nodes are further reconstructed to leverage accurate attributes. In this way, GraMI can not only complete informative features for non-attributed nodes, but rectify inaccurate ones for attributed nodes. Finally, we conduct extensive experiments to show the superiority of GraMI in tackling HINs with missing and inaccurate attributes.
- Abstract（参考訳）: 近年, グラフマイニングにおいて, 各種ノードとエッジからなる異種情報ネットワーク (HIN) が優れた性能を示した。
しかし、既存のヘテロジニアスグラフニューラルネットワーク(HGNN)は、欠落した属性や不正確な属性、ノードのラベルの不足といった問題を無視し、表現性を制限している。
本稿では,これらの課題を同時に解決するための生成自己教師型モデルGraMIを提案する。
特に、GraMIはグラフ内のすべてのノードを低次元の表現行列で初期化する。
その後、変分グラフオートエンコーダフレームワークに基づいて、GraMIは、ノードレベルの埋め込みと属性レベルの埋め込みの両方をエンコーダに学習し、ノード属性を構築するための詳細なセマンティック情報を提供する。
デコーダでは、GraMIはリンクと属性の両方を再構築する。
属性ノードの生の機能を直接再構築する代わりに、GraMIは属性ノードの生の特徴をさらに再構築して正確な属性を活用するため、すべてのノードに対して最初の低次元の表現行列を生成する。
このようにして、GraMIは非分散ノードのインフォメーション機能を完成させるだけでなく、属性ノードの不正確な機能を修正できる。
最後に,不確かで不正確な属性を持つHINの処理におけるGraMIの優位性を示すため,広範囲な実験を行った。
関連論文リスト
- AGHINT: Attribute-Guided Representation Learning on Heterogeneous Information Networks with Transformer [4.01252998015631]
本稿では,ノード間特性の相違がベンチマークタスクにおけるHGNNの性能に与える影響について検討する。
我々はTransformer (AGHINT) を用いたAttribute-Guidous Information Networks表現学習モデルを提案する。
AGHINTは、学習プロセスに高次の類似した特徴を直接統合することで、元のグラフ構造の制約を超越する。
論文 参考訳（メタデータ） (2024-04-16T10:30:48Z) - Deep Manifold Graph Auto-Encoder for Attributed Graph Embedding [51.75091298017941]
本稿では,属性付きグラフデータに対する新しいDeep Manifold (Variational) Graph Auto-Encoder (DMVGAE/DMGAE)を提案する。
提案手法は,最先端のベースラインアルゴリズムを,一般的なデータセット間でのダウンストリームタスクの差を大きく越える。
論文 参考訳（メタデータ） (2024-01-12T17:57:07Z) - Degree-based stratification of nodes in Graph Neural Networks [66.17149106033126]
グラフニューラルネットワーク(GNN)アーキテクチャを変更して,各グループのノードに対して,重み行列を個別に学習する。
このシンプルな実装変更により、データセットとGNNメソッドのパフォーマンスが改善されているようだ。
論文 参考訳（メタデータ） (2023-12-16T14:09:23Z) - GraphPatcher: Mitigating Degree Bias for Graph Neural Networks via
Test-time Augmentation [48.88356355021239]
グラフニューラルネットワーク(GNN)は通常、豊富な隣り合う情報を持つ高次ノードで十分に機能するが、低次ノードと競合する。
低次ノード上の任意のGNNのテスト時間一般化を強化するためのテスト時間拡張フレームワークであるGraphPatcherを提案する。
GraphPatcherはGNN全体のパフォーマンスを最大3.6%向上し、低度性能を最大6.5%向上させ、最先端のベースラインを著しく上回っている。
論文 参考訳（メタデータ） (2023-10-01T21:50:03Z) - NodeFormer: A Scalable Graph Structure Learning Transformer for Node
Classification [70.51126383984555]
本稿では,任意のノード間のノード信号を効率的に伝搬する全ペアメッセージパッシング方式を提案する。
効率的な計算は、カーナライズされたGumbel-Softmax演算子によって実現される。
グラフ上のノード分類を含む様々なタスクにおいて,本手法の有望な有効性を示す実験を行った。
論文 参考訳（メタデータ） (2023-06-14T09:21:15Z) - Seq-HGNN: Learning Sequential Node Representation on Heterogeneous Graph [57.2953563124339]
本稿では,シーケンシャルノード表現,すなわちSeq-HGNNを用いた新しい異種グラフニューラルネットワークを提案する。
Heterogeneous Graph Benchmark (HGB) と Open Graph Benchmark (OGB) の4つの広く使われているデータセットについて広範な実験を行った。
論文 参考訳（メタデータ） (2023-05-18T07:27:18Z) - Self-supervised Guided Hypergraph Feature Propagation for
Semi-supervised Classification with Missing Node Features [9.684903457117917]
自己教師付きガイド付きハイパーグラフ特徴伝搬(SGHFP)を提案する。
具体的には、機能ハイパーグラフは、情報を欠いたノード機能に基づいて最初に生成される。
そして、再構成されたノード特徴を2層GNNに供給し、擬似ラベルハイパーグラフを構築する。
大規模な実験により,提案したSGHFPは,既存の半教師付き分類よりもノードの特徴の欠如が優れていることが示された。
論文 参考訳（メタデータ） (2023-02-16T12:13:46Z) - Data Augmentation for Graph Convolutional Network on Semi-Supervised
Classification [6.619370466850894]
グラフ畳み込みネットワーク(GCN)におけるグラフデータ拡張の問題について検討する。
具体的には、元の特徴に基づいてコサイン類似性に基づくクロスオペレーションを行い、新しいノード属性を含む新しいグラフ機能を作成する。
また,これらのGCNによって符号化された隠れノード埋め込みを最終ノード埋め込みに重み付けした注意統合モデルを提案する。
論文 参考訳（メタデータ） (2021-06-16T15:13:51Z) - Higher-Order Attribute-Enhancing Heterogeneous Graph Neural Networks [67.25782890241496]
異種ネットワーク表現学習のための高次属性強化グラフニューラルネットワーク(HAEGNN)を提案する。
HAEGNNは、リッチで異質なセマンティクスのためのメタパスとメタグラフを同時に組み込む。
ノード分類、ノードクラスタリング、可視化における最先端の手法よりも優れたパフォーマンスを示す。
論文 参考訳（メタデータ） (2021-04-16T04:56:38Z) - Wasserstein diffusion on graphs with missing attributes [38.153052525001264]
本稿では,ノード表現学習フレームワークであるワッサーシュタイングラフ拡散(WGD)を提案し,問題を緩和する。
提案手法は,特徴量計算の代わりに,欠落した属性グラフからノード表現を直接学習する。
論文 参考訳（メタデータ） (2021-02-06T00:06:51Z)
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。