論文の概要: Introducing New Node Prediction in Graph Mining: Predicting All Links from Isolated Nodes with Graph Neural Networks

• arxiv url: http://arxiv.org/abs/2401.05468v1
• Date: Wed, 10 Jan 2024 15:05:03 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-13 02:35:38.545399
• Title: Introducing New Node Prediction in Graph Mining: Predicting All Links from Isolated Nodes with Graph Neural Networks
• Title（参考訳）: グラフマイニングにおける新しいノード予測の導入:グラフニューラルネットワークによる分離ノードからのすべてのリンク予測
• Authors: Damiano Zanardini and Emilio Serrano
• Abstract要約: 新しいノード予測は、グラフマイニングとソーシャルネットワーク分析の分野における新しい問題である。 目標は、ひとつのノードだけでなく、この新しいノードのすべてのリンク、あるいは少なくともその大部分を予測することだ。 実験では、ディープニューラルネットワークに基づくアーキテクチャがこの問題の解決を学べることを示した。
• 参考スコア（独自算出の注目度）: 1.3053649021965603
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: This paper introduces a new problem in the field of graph mining and social network analysis called new node prediction. More technically, the task can be categorized as zero-shot out-of-graph all-links prediction. This challenging problem aims to predict all links from a new, isolated, and unobserved node that was previously disconnected from the graph. Unlike classic approaches to link prediction (including few-shot out-of-graph link prediction), this problem presents two key differences: (1) the new node has no existing links from which to extract patterns for new predictions; and (2) the goal is to predict not just one, but all the links of this new node, or at least a significant part of them. Experiments demonstrate that an architecture based on Deep Graph Neural Networks can learn to solve this challenging problem in a bibliographic citation network.
• Abstract（参考訳）: 本稿では,新たなノード予測と呼ばれるグラフマイニングとソーシャルネットワーク分析の分野における新しい問題を紹介する。 より技術的には、タスクはゼロショットアウトオブグラフのオールリンク予測に分類できる。 この困難な問題は、これまでグラフから切り離されていた新しい、孤立した、観測できないノードから、すべてのリンクを予測することである。 従来のリンク予測手法(グラフ外リンク予測を含む)とは異なり、この問題は(1)新しいノードには、新しい予測のためのパターンを抽出する既存のリンクがなく、(2)新しいノードのすべてのリンク、または少なくともその大部分を予測することである。 実験により、ディープグラフニューラルネットワークに基づくアーキテクチャが、書誌引用ネットワークにおいてこの困難な問題を解決できることが示されている。

関連論文リスト

• 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)
• Rethinking Explaining Graph Neural Networks via Non-parametric Subgraph Matching [68.35685422301613]
  そこで我々はMatchExplainerと呼ばれる新しい非パラメトリックな部分グラフマッチングフレームワークを提案し、説明的部分グラフを探索する。 ターゲットグラフと他のインスタンスを結合し、ノードに対応する距離を最小化することで最も重要な結合部分構造を識別する。 合成および実世界のデータセットの実験は、最先端のパラメトリックベースラインをかなりのマージンで上回り、MatchExplainerの有効性を示す。
  論文  参考訳（メタデータ） (2023-01-07T05:14:45Z)
• How Neural Processes Improve Graph Link Prediction [35.652234989200956]
  リンク予測のためのグラフニューラルネットワークを用いたメタラーニング手法:グラフニューラルネットワークのためのニューラルプロセス(NPGNN)を提案する。 NPGNNは、トランスダクティブな学習タスクとインダクティブな学習タスクの両方を実行し、小さなサブグラフでトレーニングした後、大きな新しいグラフのパターンに適応することができる。
  論文  参考訳（メタデータ） (2021-09-30T07:35:13Z)
• Very Deep Graph Neural Networks Via Noise Regularisation [57.450532911995516]
  グラフニューラルネットワーク(GNN)は、入力グラフを介して学習されたメッセージパッシングを実行する。 最大100のメッセージパッシングステップを持つディープGNNをトレーニングし、いくつかの最先端の結果を得る。
  論文  参考訳（メタデータ） (2021-06-15T08:50:10Z)
• 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)
• A comparative study of similarity-based and GNN-based link prediction approaches [1.0441880303257467]
  グラフニューラルネットワーク(GNN)は、グラフ内のリンク予測タスクに使用できるグラフから隠れた特徴を学習することができる。 本稿では、同次グラフの領域における類似性とGNNに基づくリンク予測手法について検討する。
  論文  参考訳（メタデータ） (2020-08-20T10:41:53Z)
• Learning to Extrapolate Knowledge: Transductive Few-shot Out-of-Graph Link Prediction [69.1473775184952]
  数発のアウトオブグラフリンク予測という現実的な問題を導入する。 我々は,新しいメタ学習フレームワークによってこの問題に対処する。 我々は,知識グラフの補完と薬物と薬物の相互作用予測のために,複数のベンチマークデータセット上でモデルを検証した。
  論文  参考訳（メタデータ） (2020-06-11T17:42:46Z)

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。