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

• 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)
• Saliency-Aware Regularized Graph Neural Network [39.82009838086267]
  グラフ分類のためのSAR-GNN(Saliency-Aware Regularized Graph Neural Network)を提案する。 まず,コンパクトなグラフ表現とノード特徴とのセマンティックな類似性を測定することで,グローバルノードの正当性を推定する。 そして、学習した塩分濃度分布を利用して、背骨の近傍集合を規則化する。
  論文  参考訳（メタデータ） (2024-01-01T13:44:16Z)
• 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)
• 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)
• Local Graph Embeddings Based on Neighbors Degree Frequency of Nodes [0.0]
  本稿では,ノードの特定の局所的特徴とベクトル表現を定義することによって,グラフ機械学習とネットワーク解析の戦略を提案する。 Breath-First Search を通じてノードの次数の概念を拡張することにより、bf 中心関数の一般族が定義される。 これらの局所的な特徴に深層学習を適用することで、中心性と近接性を学ぶことができることを示す。
  論文  参考訳（メタデータ） (2022-07-30T07:07:30Z)
• Position-based Hash Embeddings For Scaling Graph Neural Networks [8.87527266373087]
  グラフニューラルネットワーク(GNN)は、ノードのエゴネットワークのトポロジとエゴネットワークのノードの特徴を考慮したノード表現を演算する。 ノードが高品質な機能を持っていない場合、GNNはノードの埋め込みを計算するために埋め込み層を学び、それらを入力機能として使用する。 この埋め込みレイヤに関連するメモリを削減するため、NLPやレコメンダシステムのようなアプリケーションで一般的に使用されるハッシュベースのアプローチが利用可能である。 本稿では,グラフ内のノードの位置を利用して,必要なメモリを大幅に削減する手法を提案する。
  論文  参考訳（メタデータ） (2021-08-31T22:42:25Z)
• 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)
• Modeling Graph Structure via Relative Position for Text Generation from Knowledge Graphs [54.176285420428776]
  グラフ-テキスト生成のための新しいトランスフォーマーベースのエンコーダデコーダアーキテクチャであるGraformerを提案する。 新たなグラフの自己アテンションでは、ノードのエンコーディングは入力グラフのすべてのノードに依存します。 グレーフォーマーは、これらのノード-ノードの関係を異なるアテンションヘッドに対して異なる重み付けを学習し、入力グラフの異なる連結ビューを仮想的に学習する。
  論文  参考訳（メタデータ） (2020-06-16T15:20:04Z)

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。