論文の概要: Expressive Higher-Order Link Prediction through Hypergraph Symmetry
Breaking
- arxiv url: http://arxiv.org/abs/2402.11339v1
- Date: Sat, 17 Feb 2024 17:13:41 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-20 21:45:19.835631
- Title: Expressive Higher-Order Link Prediction through Hypergraph Symmetry
Breaking
- Title（参考訳）: ハイパーグラフ対称性分割による高速リンク予測
- Authors: Simon Zhang, Cheng Xin, Tamal K. Dey
- Abstract要約: 高次リンク予測はハイパーグラフに欠けているハイパーエッジの存在を予測するタスクである。
高次リンク予測のために学習されたハイパーエッジ表現は、同型への差分パワーを失わない場合に完全に表現される。
対称性を示す正規部分ハイパーグラフを識別する前処理アルゴリズムを考案する。
- 参考スコア（独自算出の注目度）: 0.25322020135765466
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: A hypergraph consists of a set of nodes along with a collection of subsets of
the nodes called hyperedges. Higher-order link prediction is the task of
predicting the existence of a missing hyperedge in a hypergraph. A hyperedge
representation learned for higher order link prediction is fully expressive
when it does not lose distinguishing power up to an isomorphism. Many existing
hypergraph representation learners, are bounded in expressive power by the
Generalized Weisfeiler Lehman-1 (GWL-1) algorithm, a generalization of the
Weisfeiler Lehman-1 algorithm. However, GWL-1 has limited expressive power. In
fact, induced subhypergraphs with identical GWL-1 valued nodes are
indistinguishable. Furthermore, message passing on hypergraphs can already be
computationally expensive, especially on GPU memory. To address these
limitations, we devise a preprocessing algorithm that can identify certain
regular subhypergraphs exhibiting symmetry. Our preprocessing algorithm runs
once with complexity the size of the input hypergraph. During training, we
randomly replace subhypergraphs identified by the algorithm with covering
hyperedges to break symmetry. We show that our method improves the expressivity
of GWL-1. Our extensive experiments also demonstrate the effectiveness of our
approach for higher-order link prediction on both graph and hypergraph datasets
with negligible change in computation.
- Abstract（参考訳）: ハイパーグラフはノードの集合とハイパーエッジと呼ばれるノードのサブセットの集合からなる。
高次リンク予測はハイパーグラフに欠けているハイパーエッジの存在を予測するタスクである。
高次リンク予測のために学習されたハイパーエッジ表現は、同型への差分パワーを失わない場合に完全に表現される。
既存のハイパーグラフ表現学習者の多くは、Weisfeiler Lehman-1アルゴリズムの一般化であるGeneralized Weisfeiler Lehman-1(GWL-1)アルゴリズムによって表現力に縛られている。
しかし、GWL-1は表現力に制限がある。
実際、同一のgwl-1値ノードを持つ誘導サブハイパーグラフは区別できない。
さらに、ハイパーグラフ上のメッセージパッシングはすでに計算コストが高く、特にgpuメモリでは高い。
これらの制限に対処するために、対称性を示す特定の正規部分ハイパーグラフを識別できるプリプロセッシングアルゴリズムを考案する。
プリプロセッシングアルゴリズムは、入力ハイパーグラフのサイズを複雑にしながら一度実行します。
トレーニング中、アルゴリズムによって同定されたサブハイパーグラフをハイパーエッジに置き換え、対称性を破る。
本手法はGWL-1の表現性を向上させる。
また,グラフデータとハイパーグラフデータの両方に対する高次リンク予測に対する提案手法の有効性について検討した。
関連論文リスト
- Enhancing Hyperedge Prediction with Context-Aware Self-Supervised
Learning [64.46188414653204]
我々は新しいハイパーエッジ予測フレームワーク(CASH)を提案する。
CASHは、コンテキスト認識ノードアグリゲーションを用いて、(C1)ハイパーエッジの各ノード間の複雑な関係をキャプチャし、(2)ハイパーエッジ予測のコンテキストにおける自己教師付きコントラスト学習を行い、(C2)ハイパーグラフ表現を強化する。
6つの実世界のハイパーグラフの実験により、CASHはハイパーエッジ予測の精度で競合する全ての手法を一貫して上回っていることが明らかとなった。
論文 参考訳（メタデータ） (2023-09-11T20:06:00Z) - Hypergraph Structure Inference From Data Under Smoothness Prior [46.568839316694515]
本稿では,ラベル付きデータを監視対象とせずに,潜在的なハイパーエッジの確率を推定する手法を提案する。
本稿では,この手法を用いてハイパーグラフ構造とノード特徴の関係を確率論的モデリングにより導出する。
本手法は,既存のハイパーグラフ構造推定法よりも効率的にデータから有意義なハイパーグラフ構造を学習できることを示す。
論文 参考訳（メタデータ） (2023-08-27T18:28:58Z) - 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) - Tensorized Hypergraph Neural Networks [69.65385474777031]
我々は,新しいアジャケーシテンソルベースのtextbfTensorized textbfHypergraph textbfNeural textbfNetwork (THNN) を提案する。
THNNは高次外装機能パッシングメッセージを通じて、忠実なハイパーグラフモデリングフレームワークである。
3次元視覚オブジェクト分類のための2つの広く使われているハイパーグラフデータセットの実験結果から、モデルの有望な性能を示す。
論文 参考訳（メタデータ） (2023-06-05T03:26:06Z) - Augmentations in Hypergraph Contrastive Learning: Fabricated and
Generative [126.0985540285981]
我々は、ハイパーグラフニューラルネットワークの一般化性を改善するために、画像/グラフからの対照的な学習アプローチ(ハイパーGCLと呼ぶ)を適用する。
我々は、高次関係を符号化したハイパーエッジを増大させる2つのスキームを作成し、グラフ構造化データから3つの拡張戦略を採用する。
拡張ビューを生成するためのハイパーグラフ生成モデルを提案し、次に、ハイパーグラフ拡張とモデルパラメータを協調的に学習するエンド・ツー・エンドの微分可能なパイプラインを提案する。
論文 参考訳（メタデータ） (2022-10-07T20:12:20Z) - Hypergraph Convolutional Networks via Equivalency between Hypergraphs
and Undirected Graphs [59.71134113268709]
本稿では,EDVWおよびEIVWハイパーグラフを処理可能な一般学習フレームワークであるGeneral Hypergraph Spectral Convolution(GHSC)を提案する。
本稿では,提案するフレームワークが最先端の性能を達成できることを示す。
ソーシャルネットワーク分析,視覚的客観的分類,タンパク質学習など,様々な分野の実験により,提案手法が最先端の性能を達成できることが実証された。
論文 参考訳（メタデータ） (2022-03-31T10:46:47Z) - HyperSF: Spectral Hypergraph Coarsening via Flow-based Local Clustering [9.438207505148947]
本稿では,ハイパーグラフのスペクトル(構造)特性を保存するために,効率的なスペクトルハイパーグラフ粗大化手法を提案する。
提案手法は,ハイパーグラフクラスタリングのマルチウェイコンダクタンス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） (2021-08-17T22:20:23Z) - Hyperedge Prediction using Tensor Eigenvalue Decomposition [21.673771194165276]
グラフにおけるリンク予測は、2つのノード間のダイアディック相互作用をモデル化することによって研究される。
このような相互作用はハイパーグラフを用いてモデル化することができ、これはハイパーエッジが2つ以上のノードを接続できるグラフの一般化である。
テンソルに基づくハイパーグラフの表現を利用し、テンソル固有ベクトルの新しい解釈を提案する。
論文 参考訳（メタデータ） (2021-02-06T01:55:04Z) - Hypergraph Partitioning using Tensor Eigenvalue Decomposition [19.01626581411011]
我々は、k-ユニフォームハイパーグラフの分割のための新しいアプローチを提案する。
既存の手法のほとんどは、ハイパーグラフをグラフに還元し、次に標準的なグラフ分割アルゴリズムを適用することで機能する。
我々は、テンソルベースのハイパーグラフ表現を利用することでこの問題を克服する。
論文 参考訳（メタデータ） (2020-11-16T01:55:43Z) - HyperSAGE: Generalizing Inductive Representation Learning on Hypergraphs [24.737560790401314]
2段階のニューラルメッセージパッシング戦略を用いて、ハイパーグラフを介して情報を正確かつ効率的に伝播する新しいハイパーグラフ学習フレームワークHyperSAGEを提案する。
本稿では,HyperSAGEが代表的ベンチマークデータセット上で最先端のハイパーグラフ学習手法より優れていることを示す。
論文 参考訳（メタデータ） (2020-10-09T13:28:06Z) - Semi-supervised Hypergraph Node Classification on Hypergraph Line
Expansion [7.933465724913661]
本稿では,ハイパーグラフ学習のためのEmphline expansion (LE) という新しいハイパーグラフの定式化を提案する。
提案手法は,既存のグラフ学習アルゴリズムを高次構造に適合させる。
提案手法を5つのハイパーグラフデータセット上で評価し,提案手法がSOTAベースラインを有意差で上回ることを示す。
論文 参考訳（メタデータ） (2020-05-11T03:02:21Z)
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。