論文の概要: Hypergraph Node Classification With Graph Neural Networks
- arxiv url: http://arxiv.org/abs/2402.05569v1
- Date: Thu, 8 Feb 2024 11:10:39 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-09 15:28:29.507940
- Title: Hypergraph Node Classification With Graph Neural Networks
- Title(参考訳): グラフニューラルネットワークを用いたハイパーグラフノード分類
- Authors: Bohan Tang, Zexi Liu, Keyue Jiang, Siheng Chen, Xiaowen Dong
- Abstract要約: We developed WCE-GNN, a simple and efficient framework for hypergraph node classification。
WCE-GNNは最先端のHyperGNNと比較して高い分類精度を示す。
- 参考スコア(独自算出の注目度): 37.929309694493455
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Hypergraphs, with hyperedges connecting more than two nodes, are key for
modelling higher-order interactions in real-world data. The success of graph
neural networks (GNNs) reveals the capability of neural networks to process
data with pairwise interactions. This inspires the usage of neural networks for
data with higher-order interactions, thereby leading to the development of
hypergraph neural networks (HyperGNNs). GNNs and HyperGNNs are typically
considered distinct since they are designed for data on different geometric
topologies. However, in this paper, we theoretically demonstrate that, in the
context of node classification, most HyperGNNs can be approximated using a GNN
with a weighted clique expansion of the hypergraph. This leads to WCE-GNN, a
simple and efficient framework comprising a GNN and a weighted clique expansion
(WCE), for hypergraph node classification. Experiments on nine real-world
hypergraph node classification benchmarks showcase that WCE-GNN demonstrates
not only higher classification accuracy compared to state-of-the-art HyperGNNs,
but also superior memory and runtime efficiency.
- Abstract(参考訳): ハイパーエッジが2つ以上のノードを接続するハイパーグラフは、現実世界のデータにおける高次インタラクションのモデリングの鍵となる。
グラフニューラルネットワーク(gnns)の成功は、対関係でデータを処理できるニューラルネットワークの能力を示している。
これにより、高次相互作用を持つデータに対するニューラルネットワークの使用が刺激され、ハイパーグラフニューラルネットワーク(HyperGNN)の開発につながります。
GNNとHyperGNNは、異なる幾何学的トポロジのデータのために設計されたため、一般的に区別される。
しかし,本稿では,ノード分類の文脈において,ハイパーグラフの重み付き斜め展開を持つGNNを用いて,ほとんどのHyperGNNを近似できることを理論的に示す。
これは、ハイパーグラフノード分類のためのGNNと重み付き斜め展開(WCE)からなるシンプルで効率的なフレームワークであるWCE-GNNにつながっている。
9つの実世界のハイパーグラフノード分類ベンチマークの実験では、WCE-GNNは最先端のHyperGNNよりも高い分類精度を示すだけでなく、メモリと実行効率も優れていることが示された。
関連論文リスト
- 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 Hypergraph Neural Network Framework for Learning Hyperedge-Dependent
Node Embeddings [39.9678554461845]
ハイパーグラフニューラルネットワーク(HNN)と呼ばれるハイパーグラフ表現学習フレームワークを導入する。
HNNはハイパーグラフの各ノードに対するハイパーエッジ依存の埋め込みセットとともに、ハイパーエッジ埋め込みを共同で学習する。
HNNは全ベースラインモデルとハイパーエッジ予測およびハイパーグラフノード分類のためのグラフで7.72%と11.37%の全体平均ゲインを達成した。
論文 参考訳(メタデータ) (2022-12-28T19:45:38Z) - Geodesic Graph Neural Network for Efficient Graph Representation
Learning [34.047527874184134]
我々はGeodesic GNN(GDGNN)と呼ばれる効率的なGNNフレームワークを提案する。
ラベル付けなしでノード間の条件付き関係をモデルに注入する。
ジオデシック表現を前提としたGDGNNは、通常のGNNよりもはるかにリッチな構造情報を持つノード、リンク、グラフ表現を生成することができる。
論文 参考訳(メタデータ) (2022-10-06T02:02:35Z) - Equivariant Hypergraph Diffusion Neural Operators [81.32770440890303]
ハイパーグラフを符号化するためにニューラルネットワークを使用するハイパーグラフニューラルネットワーク(HNN)は、データの高次関係をモデル化する有望な方法を提供する。
本研究ではED-HNNと呼ばれる新しいHNNアーキテクチャを提案する。
実世界の9つのハイパーグラフデータセットのノード分類におけるED-HNNの評価を行った。
論文 参考訳(メタデータ) (2022-07-14T06:17:00Z) - Network In Graph Neural Network [9.951298152023691]
本稿では,任意のGNNモデルに対して,モデルをより深くすることでモデル容量を増大させるモデルに依存しない手法を提案する。
GNNレイヤの追加や拡張の代わりに、NGNNは、各GNNレイヤに非線形フィードフォワードニューラルネットワーク層を挿入することで、GNNモデルを深めている。
論文 参考訳(メタデータ) (2021-11-23T03:58:56Z) - UniGNN: a Unified Framework for Graph and Hypergraph Neural Networks [8.777765815864367]
エンティティ間の高次相関をモデル化するフレキシブルな表現構造であるhypergraphは、近年様々な研究領域から注目を集めている。
グラフおよびハイパーグラフニューラルネットワークにおけるメッセージパッシングプロセスを解釈するための統一フレームワークであるUniGNNを提案する。
複数の実世界のデータセットに対するUniGNNの有効性を示す実験が行われている。
論文 参考訳(メタデータ) (2021-05-03T15:48:34Z) - A Unified Lottery Ticket Hypothesis for Graph Neural Networks [82.31087406264437]
本稿では,グラフ隣接行列とモデルの重み付けを同時に行う統一GNNスペーシフィケーション(UGS)フレームワークを提案する。
グラフ宝くじ(GLT)をコアサブデータセットとスパースサブネットワークのペアとして定義することにより、人気のある宝くじチケット仮説を初めてGNNsにさらに一般化します。
論文 参考訳(メタデータ) (2021-02-12T21:52:43Z) - Identity-aware Graph Neural Networks [63.6952975763946]
グラフニューラルネットワーク(ID-GNN)を1-WLテストよりも表現力の高いメッセージクラスを開発しています。
ID-GNNは、メッセージパッシング中にノードのIDを誘導的に考慮することにより、既存のGNNアーキテクチャを拡張します。
既存のGNNをID-GNNに変換すると、挑戦ノード、エッジ、グラフプロパティ予測タスクの平均40%の精度が向上することを示す。
論文 参考訳(メタデータ) (2021-01-25T18:59:01Z) - Binarized Graph Neural Network [65.20589262811677]
我々は二項化グラフニューラルネットワークを開発し、二項化ネットワークパラメータを用いてノードのバイナリ表現を学習する。
提案手法は既存のGNNベースの埋め込み手法にシームレスに統合できる。
実験により、提案された二項化グラフニューラルネットワーク、すなわちBGNは、時間と空間の両方の観点から、桁違いに効率的であることが示されている。
論文 参考訳(メタデータ) (2020-04-19T09:43:14Z) - Bilinear Graph Neural Network with Neighbor Interactions [106.80781016591577]
グラフニューラルネットワーク(GNN)は,グラフデータ上で表現を学習し,予測を行う強力なモデルである。
本稿では,グラフ畳み込み演算子を提案し,隣接するノードの表現の対の相互作用で重み付け和を増大させる。
このフレームワークをBGNN(Bilinear Graph Neural Network)と呼び、隣ノード間の双方向相互作用によるGNN表現能力を向上させる。
論文 参考訳(メタデータ) (2020-02-10T06:43:38Z)
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。