論文の概要: Link Prediction with Relational Hypergraphs

• arxiv url: http://arxiv.org/abs/2402.04062v1
• Date: Tue, 6 Feb 2024 15:05:40 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-07 14:16:03.294784
• Title: Link Prediction with Relational Hypergraphs
• Title（参考訳）: リレーショナルハイパーグラフによるリンク予測
• Authors: Xingyue Huang, Miguel Romero Orth, Pablo Barcel\'o, Michael M. Bronstein, \.Ismail \.Ilkan Ceylan
• Abstract要約: 知識グラフとのリンク予測は、グラフ機械学習において徹底的に研究されている。 これらのアーキテクチャの成功を、リレーショナルハイパーグラフに関連付けるために転送することは依然として困難である。 本稿では,関係ハイパーグラフを用いたリンク予測のための2つのフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 24.48994807110207
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Link prediction with knowledge graphs has been thoroughly studied in graph machine learning, leading to a rich landscape of graph neural network architectures with successful applications. Nonetheless, it remains challenging to transfer the success of these architectures to link prediction with relational hypergraphs. The presence of relational hyperedges makes link prediction a task between $k$ nodes for varying choices of $k$, which is substantially harder than link prediction with knowledge graphs, where every relation is binary ($k=2$). In this paper, we propose two frameworks for link prediction with relational hypergraphs and conduct a thorough analysis of the expressive power of the resulting model architectures via corresponding relational Weisfeiler-Leman algorithms, and also via some natural logical formalisms. Through extensive empirical analysis, we validate the power of the proposed model architectures on various relational hypergraph benchmarks. The resulting model architectures substantially outperform every baseline for inductive link prediction, and lead to state-of-the-art results for transductive link prediction. Our study therefore unlocks applications of graph neural networks to fully relational structures.
• Abstract（参考訳）: 知識グラフとのリンク予測は、グラフ機械学習において徹底的に研究されており、成功したアプリケーションとグラフニューラルネットワークアーキテクチャの豊かな展望につながっている。 それでも、これらのアーキテクチャの成功をリレーショナルハイパーグラフとリンクするために転送することは依然として困難である。 関係のハイパーエッジが存在するため、リンク予測は、様々な選択のために$k$のノード間でタスクとなり、すべての関係がバイナリ($k=2$)であるナレッジグラフとのリンク予測よりもかなり難しい。 本稿では,関係ハイパーグラフとリンク予測を行う2つのフレームワークを提案し,対応する関係性Weisfeiler-Lemanアルゴリズムおよびいくつかの自然な論理形式を用いてモデルアーキテクチャの表現力を徹底的に解析する。 広範な経験的分析を通じて,提案するモデルアーキテクチャのパワーを,様々なリレーショナルハイパーグラフベンチマークで検証した。 結果として得られたモデルアーキテクチャは、インダクティブリンク予測のベースラインを実質的に上回り、トランスダクティブリンク予測の最先端結果に繋がる。 そこで本研究では,グラフニューラルネットワークの完全関係構造への応用を解き明かす。

関連論文リスト

• Just Propagate: Unifying Matrix Factorization, Network Embedding, and LightGCN for Link Prediction [5.1359892878090845]
  本稿では,行列因数分解と代表的ネットワーク埋め込みおよびグラフニューラルネットワーク手法を網羅したリンク予測フレームワークを提案する。 我々の結果は、リンク予測手法の理解を深め、新しい設計をインスピレーションする可能性がある。
  論文  参考訳（メタデータ） (2024-10-26T21:43:34Z)
• Causal-Aware Graph Neural Architecture Search under Distribution Shifts [48.02254981004058]
  Causal-aware Graph Neural Architecture Search (CARNAS)は、アーキテクチャ探索プロセス中に因果グラフ-アーキテクチャ関係をキャプチャする。 本稿では,潜伏空間内の因果部分グラフに介入するグラフ埋め込み干渉法を提案する。
  論文  参考訳（メタデータ） (2024-05-26T08:55:22Z)
• Unsupervised Graph Neural Architecture Search with Disentangled Self-supervision [51.88848982611515]
  教師なしグラフニューラルアーキテクチャサーチは、文献では未発見のままである。 本稿では,Distangled Self-supervised Graph Neural Architecture Searchモデルを提案する。 我々のモデルは、教師なしの方法で、いくつかのベースライン手法に対して最先端のパフォーマンスを達成することができる。
  論文  参考訳（メタデータ） (2024-03-08T05:23:55Z)
• From Hypergraph Energy Functions to Hypergraph Neural Networks [94.88564151540459]
  パラメータ化されたハイパーグラフ正規化エネルギー関数の表現型族を示す。 次に、これらのエネルギーの最小化がノード埋め込みとして効果的に機能することを実証する。 提案した双レベルハイパーグラフ最適化と既存のGNNアーキテクチャを共通的に用いている。
  論文  参考訳（メタデータ） (2023-06-16T04:40:59Z)
• A Theory of Link Prediction via Relational Weisfeiler-Leman on Knowledge Graphs [6.379544211152605]
  グラフニューラルネットワークは、グラフ構造化データ上での表現学習のための顕著なモデルである。 私たちの目標は、知識グラフのためのグラフニューラルネットワークのランドスケープを体系的に理解することです。
  論文  参考訳（メタデータ） (2023-02-04T17:40:03Z)
• Generative Graph Neural Networks for Link Prediction [13.643916060589463]
  欠落したリンクを推測したり、観測されたグラフに基づいて急激なリンクを検出することは、グラフデータ分析における長年の課題である。 本稿では,GraphLPと呼ばれるネットワーク再構成理論に基づく,新しい,根本的に異なるリンク予測アルゴリズムを提案する。 リンク予測に使用される識別ニューラルネットワークモデルとは異なり、GraphLPは生成可能であり、ニューラルネットワークベースのリンク予測の新しいパラダイムを提供する。
  論文  参考訳（メタデータ） (2022-12-31T10:07:19Z)
• Graph Collaborative Reasoning [18.45161138837384]
  グラフ協調推論(GCR)は、論理的推論の観点からグラフ上の関係推論に隣接リンク情報を使用することができる。 そこで我々は,グラフ構造を論理式に変換する簡単な手法を提案し,リンク予測タスクをニューラルネットワーク推論問題に変換する。 本研究の有効性を示すため,一般的なベンチマークデータセットに基づくリンク予測やレコメンデーションなどのグラフ関連タスクの実験を行った。
  論文  参考訳（メタデータ） (2021-12-27T14:27:58Z)
• KGRefiner: Knowledge Graph Refinement for Improving Accuracy of Translational Link Prediction Methods [4.726777092009553]
  本稿では,知識グラフの精細化手法を提案する。 これにより知識グラフがより情報的になり、リンク予測操作をより正確に行うことができる。 提案手法は,翻訳リンク予測手法の性能を大幅に向上させることができることを示す。
  論文  参考訳（メタデータ） (2021-06-27T13:32:39Z)
• Structural Landmarking and Interaction Modelling: on Resolution Dilemmas in Graph Classification [50.83222170524406]
  解法ジレンマの統一概念に基づくグラフ分類における本質的難易度の研究」 構造ランドマークと相互作用モデリングのためのインダクティブニューラルネットワークモデルSLIM'を提案する。
  論文  参考訳（メタデータ） (2020-06-29T01:01:42Z)
• 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)
• Tensor Graph Convolutional Networks for Multi-relational and Robust Learning [74.05478502080658]
  本稿では,テンソルで表されるグラフの集合に関連するデータから,スケーラブルな半教師付き学習(SSL)を実現するためのテンソルグラフ畳み込みネットワーク(TGCN)を提案する。 提案アーキテクチャは、標準的なGCNと比較して大幅に性能が向上し、最先端の敵攻撃に対処し、タンパク質間相互作用ネットワーク上でのSSL性能が著しく向上する。
  論文  参考訳（メタデータ） (2020-03-15T02:33:21Z)

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。