論文の概要: Mixture of Link Predictors
- arxiv url: http://arxiv.org/abs/2402.08583v1
- Date: Tue, 13 Feb 2024 16:36:50 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-14 14:26:41.756357
- Title: Mixture of Link Predictors
- Title(参考訳): リンク予測器の混合
- Authors: Li Ma, Haoyu Han, Juanhui Li, Harry Shomer, Hui Liu, Xiaofeng Gao,
Jiliang Tang
- Abstract要約: リンク予測は、グラフ内の見えない接続を予測することを目的としている。
様々なペアの測度を利用するヒューリスティック手法は、しばしばバニラグラフニューラルネットワーク(GNN)の性能に匹敵する。
- 参考スコア(独自算出の注目度): 40.32089688353189
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Link prediction, which aims to forecast unseen connections in graphs, is a
fundamental task in graph machine learning. Heuristic methods, leveraging a
range of different pairwise measures such as common neighbors and shortest
paths, often rival the performance of vanilla Graph Neural Networks (GNNs).
Therefore, recent advancements in GNNs for link prediction (GNN4LP) have
primarily focused on integrating one or a few types of pairwise information. In
this work, we reveal that different node pairs within the same dataset
necessitate varied pairwise information for accurate prediction and models that
only apply the same pairwise information uniformly could achieve suboptimal
performance. As a result, we propose a simple mixture of experts model Link-MoE
for link prediction. Link-MoE utilizes various GNNs as experts and
strategically selects the appropriate expert for each node pair based on
various types of pairwise information. Experimental results across diverse
real-world datasets demonstrate substantial performance improvement from
Link-MoE. Notably, Link-MoE achieves a relative improvement of 18.82\% on the
MRR metric for the Pubmed dataset and 10.8\% on the Hits@100 metric for the
ogbl-ppa dataset, compared to the best baselines.
- Abstract(参考訳): グラフ内の見えない接続を予測することを目的としたリンク予測は、グラフ機械学習の基本的なタスクである。
共通近傍や最短経路など、様々なペアワイズ尺度を活用するヒューリスティックな手法は、しばしばバニラグラフニューラルネットワーク(gnn)のパフォーマンスに匹敵する。
したがって、リンク予測のためのGNN(GNN4LP)の最近の進歩は、主に1つまたは数種類のペア情報の統合に焦点を当てている。
本研究では,同じデータセット内の異なるノードペアが,同じペアの情報のみを一様に適用したモデルと正確な予測のために様々なペアワイズ情報を必要とすることを明らかにする。
その結果,リンク予測のためのエキスパートモデルLink-MoEを簡易に組み合わせて提案する。
Link-MoEは様々なGNNを専門家として利用し、様々な種類のペア情報に基づいて各ノードペアの適切な専門家を戦略的に選択する。
さまざまな実世界のデータセットに対する実験結果は、Link-MoEによる大幅なパフォーマンス向上を示している。
特に、Link-MoE は Pubmed データセットの MRR の 18.82 % と ogbl-ppa データセットの Hits@100 の 10.8 % の相対的な改善を実現している。
関連論文リスト
- LPFormer: An Adaptive Graph Transformer for Link Prediction [39.7260095319945]
メッセージパッシングネットワーク(MPNN)とニューラルズ手法の利点を組み合わせた新しい手法が登場した。
これらの手法は、候補リンク内のノード間の関係をキャプチャする"ペアワイズエンコーディング"と合わせて、MPNNの出力を用いて予測を行う。
本稿では,各リンクのペアエンコーディングを適応的に学習する新しい手法bf LPFormerを提案する。
論文 参考訳(メタデータ) (2023-10-17T05:36:46Z) - Revisiting Link Prediction: A Data Perspective [61.52668130971441]
グラフの基本的なタスクであるリンク予測は、友人の推薦、タンパク質分析、薬物相互作用予測など、様々な応用において不可欠であることが証明されている。
既存の文献の証拠は、すべてのデータセットに適した普遍的に最良のアルゴリズムが存在しないことを裏付けている。
我々は,局所的な構造的近接,大域的な構造的近接,特徴的近接という,リンク予測に不可欠な3つの基本的要因を認識する。
論文 参考訳(メタデータ) (2023-10-01T21:09:59Z) - A Simple and Scalable Graph Neural Network for Large Directed Graphs [11.792826520370774]
入力グラフ内のノード表現とエッジ方向認識の様々な組み合わせについて検討する。
そこで本研究では,A2DUGを簡易かつ包括的に分類する手法を提案する。
我々は、A2DUGが様々なデータセットで安定して動作し、最先端の手法と比較して11.29まで精度が向上することを示した。
論文 参考訳(メタデータ) (2023-06-14T06:24:58Z) - Revisiting Neighborhood-based Link Prediction for Collaborative
Filtering [3.7403495150710384]
協調フィルタリングはレコメンデーションシステムにおいて最も成功し基礎的な手法の1つである。
両部グラフの新しいリンク(接続性)スコアを提案し、複数の標準リンク予測手法を一般化する。
提案手法は,既存のGNNベースのCFアプローチを,広く使用されている4つのベンチマークで大幅に上回っている。
論文 参考訳(メタデータ) (2022-03-29T17:48:05Z) - Exploiting Neighbor Effect: Conv-Agnostic GNNs Framework for Graphs with
Heterophily [58.76759997223951]
我々はフォン・ノイマンエントロピーに基づく新しい計量を提案し、GNNのヘテロフィリー問題を再検討する。
また、異種データセット上でのほとんどのGNNの性能を高めるために、Conv-Agnostic GNNフレームワーク(CAGNN)を提案する。
論文 参考訳(メタデータ) (2022-03-19T14:26:43Z) - Meta-Aggregator: Learning to Aggregate for 1-bit Graph Neural Networks [127.32203532517953]
我々は,GNNパラメータとグラフ特徴をバイナライズするバニラ1ビットフレームワークを開発した。
軽量なアーキテクチャにもかかわらず、我々はこのバニラフレームワークがグラフトポロジを区別するのに十分な差別力に悩まされていることを観察した。
この発見は、バニラ二項化GNNの表現力を向上させるためにメタアグリゲータを考案する動機となる。
論文 参考訳(メタデータ) (2021-09-27T08:50:37Z) - MHNF: Multi-hop Heterogeneous Neighborhood information Fusion graph
representation learning [0.0]
MHNF(Multi-hop Heterogeneous Neborhood Information Fusion graph representation learning)を提案する。
まず,マルチホップハイブリッド隣人を効率的に抽出するハイブリッドメタパス自律抽出モデルを提案する。
次に, ホップレベルの異種情報集約モデルを提案し, 異なるホップ近傍情報を選択的に集約する。
最後に,階層型セマンティックアテンション融合モデル (HSAF) を提案する。
論文 参考訳(メタデータ) (2021-06-17T07:51:45Z) - Deepened Graph Auto-Encoders Help Stabilize and Enhance Link Prediction [11.927046591097623]
リンク予測は、浅層グラフオートエンコーダ(GAE)アーキテクチャの1層または2層に基づく現在の最先端モデルを用いて、比較的未研究のグラフ学習タスクである。
本論文では,浅いGAEと変動GAEしか使用できないリンク予測の現在の手法の限界に対処することに焦点をあてる。
提案手法はGAEのアーキテクチャに標準オートエンコーダ(AE)を革新的に組み込んでおり、標準AEは隣接情報とノード機能をシームレスに統合することで必要不可欠な低次元表現を学習する。
論文 参考訳(メタデータ) (2021-03-21T14:43:10Z) - Learning Intents behind Interactions with Knowledge Graph for
Recommendation [93.08709357435991]
知識グラフ(KG)は、推薦システムにおいてますます重要な役割を果たす。
既存のGNNベースのモデルは、きめ細かいインテントレベルでのユーザ項目関係の特定に失敗します。
本稿では,新しいモデルである知識グラフベースインテントネットワーク(kgin)を提案する。
論文 参考訳(メタデータ) (2021-02-14T03:21:36Z) - Policy-GNN: Aggregation Optimization for Graph Neural Networks [60.50932472042379]
グラフニューラルネットワーク(GNN)は、局所的なグラフ構造をモデル化し、隣人からの情報を集約することで階層的なパターンを捉えることを目的としている。
複雑なグラフとスパースな特徴を与えられた各ノードに対して効果的なアグリゲーション戦略を開発することは難しい課題である。
本稿では,GNNのサンプリング手順とメッセージパッシングを複合学習プロセスにモデル化するメタ政治フレームワークであるPolicy-GNNを提案する。
論文 参考訳(メタデータ) (2020-06-26T17:03:06Z)
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。