論文の概要: HetTree: Heterogeneous Tree Graph Neural Network
- arxiv url: http://arxiv.org/abs/2402.13496v1
- Date: Wed, 21 Feb 2024 03:14:45 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-22 17:23:52.766451
- Title: HetTree: Heterogeneous Tree Graph Neural Network
- Title（参考訳）: HetTree: 異種木グラフニューラルネットワーク
- Authors: Mingyu Guan, Jack W. Stokes, Qinlong Luo, Fuchen Liu, Purvanshi Mehta,
Elnaz Nouri, Taesoo Kim
- Abstract要約: HetTreeは、グラフ構造とヘテロジニアスの両方をモデル化する、新しいヘテロジニアスツリーグラフニューラルネットワークである。
HetTreeは、メタパス間の階層をキャプチャするために、セマンティックツリーデータ構造を構築する。
さまざまな実世界のデータセット上でのHetTreeの評価は、既存のすべてのベースラインをオープンベンチマークで上回っていることを示す。
- 参考スコア（独自算出の注目度）: 12.403166161903378
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The recent past has seen an increasing interest in Heterogeneous Graph Neural
Networks (HGNNs) since many real-world graphs are heterogeneous in nature, from
citation graphs to email graphs. However, existing methods ignore a tree
hierarchy among metapaths, which is naturally constituted by different node
types and relation types. In this paper, we present HetTree, a novel
heterogeneous tree graph neural network that models both the graph structure
and heterogeneous aspects in a scalable and effective manner. Specifically,
HetTree builds a semantic tree data structure to capture the hierarchy among
metapaths. Existing tree encoding techniques aggregate children nodes by
weighting the contribution of children nodes based on similarity to the parent
node. However, we find that this tree encoding fails to capture the entire
parent-children hierarchy by only considering the parent node. Hence, HetTree
uses a novel subtree attention mechanism to emphasize metapaths that are more
helpful in encoding parent-children relationships. Moreover, instead of
separating feature learning from label learning or treating features and labels
equally by projecting them to the same latent space, HetTree proposes to match
them carefully based on corresponding metapaths, which provides more accurate
and richer information between node features and labels. Our evaluation of
HetTree on a variety of real-world datasets demonstrates that it outperforms
all existing baselines on open benchmarks and efficiently scales to large
real-world graphs with millions of nodes and edges.
- Abstract（参考訳）: 近年では、引用グラフから電子メールグラフまで、多くの実世界のグラフが本質的に異質であるため、異種グラフニューラルネットワーク(HGNN)への関心が高まっている。
しかし、既存のメソッドは、異なるノードタイプと関係型によって自然に構成されるメタパス間のツリー階層を無視している。
本稿では,グラフ構造とヘテロジニアス面の両方をスケーラブルかつ効果的にモデル化する,新しい異種木グラフニューラルネットワークhettreeを提案する。
具体的には、HetTreeはメタパス間の階層をキャプチャするセマンティックツリーデータ構造を構築している。
既存のツリーエンコーディング技術は,親ノードとの類似性に基づいて子ノードの寄与度を重み付けて子ノードを集約する。
しかし、この木エンコーディングは親ノードのみを考慮して親子階層全体をキャプチャできないことが判明した。
したがって、HetTreeは、親子関係をコードするのに役立つメタパスを強調するために、新しいサブツリーアテンションメカニズムを使用する。
さらに、HetTreeでは、ラベル学習から特徴学習を分離したり、同じ潜在空間に投影することで、機能やラベルを平等に扱う代わりに、対応するメタパスに基づいて、より正確でリッチな情報を提供するよう提案している。
さまざまな実世界のデータセットに対するHetTreeの評価は、オープンベンチマークで既存のベースラインをすべて上回り、数百万のノードとエッジを持つ大規模な実世界のグラフに効率的にスケールできることを示しています。
関連論文リスト
- 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) - GTNet: A Tree-Based Deep Graph Learning Architecture [8.50892442127182]
本稿では,グラフのツリー表現から派生した,新しい汎用メッセージパッシング方式を用いた深層グラフ学習アーキテクチャを提案する。
2つのグラフ表現学習モデルが提案されている。GTNetアーキテクチャ - Graph Tree Attention Network (GTAN) と Graph Tree Convolution Network (GTCN) である。
論文 参考訳（メタデータ） (2022-04-27T09:43:14Z) - SHGNN: Structure-Aware Heterogeneous Graph Neural Network [77.78459918119536]
本稿では、上記の制約に対処する構造対応不均一グラフニューラルネットワーク(SHGNN)を提案する。
まず,メタパス内の中間ノードの局所構造情報を取得するために,特徴伝搬モジュールを利用する。
次に、ツリーアテンションアグリゲータを使用して、グラフ構造情報をメタパス上のアグリゲーションモジュールに組み込む。
最後に、メタパスアグリゲータを利用して、異なるメタパスから集約された情報を融合する。
論文 参考訳（メタデータ） (2021-12-12T14:18:18Z) - Graph Tree Neural Networks [0.43012765978447565]
グラフツリーニューラルネットワーク(GTNN)は、人間のニューラルネットワークの構造を分析することによって、既存のネットワークの問題を解決するように設計されている。
GTNNでは、情報ユニットはグラフの形式と関連付けられ、その後再び大きな情報の単位となり、他の情報ユニットと関係を持つ。
論文 参考訳（メタデータ） (2021-10-31T07:58:00Z) - TD-GEN: Graph Generation With Tree Decomposition [31.751200416677225]
TD-GENは木分解に基づくグラフ生成フレームワークである。
ツリーノードはスーパーノードであり、それぞれがグラフ内のノードのクラスタを表す。
論文 参考訳（メタデータ） (2021-06-20T08:57:43Z) - Neural Trees for Learning on Graphs [19.05038106825347]
グラフニューラルネットワーク(GNN)は、グラフを学習するための柔軟で強力なアプローチとして登場した。
我々はニューラルツリーという新しいGNNアーキテクチャを提案する。
神経木アーキテクチャは無向グラフ上の任意の滑らかな確率分布関数を近似できることを示す。
論文 参考訳（メタデータ） (2021-05-15T17:08:20Z) - Higher-Order Attribute-Enhancing Heterogeneous Graph Neural Networks [67.25782890241496]
異種ネットワーク表現学習のための高次属性強化グラフニューラルネットワーク(HAEGNN)を提案する。
HAEGNNは、リッチで異質なセマンティクスのためのメタパスとメタグラフを同時に組み込む。
ノード分類、ノードクラスタリング、可視化における最先端の手法よりも優れたパフォーマンスを示す。
論文 参考訳（メタデータ） (2021-04-16T04:56:38Z) - Visualizing hierarchies in scRNA-seq data using a density tree-biased
autoencoder [50.591267188664666]
本研究では,高次元scRNA-seqデータから意味のある木構造を同定する手法を提案する。
次に、低次元空間におけるデータのツリー構造を強調する木バイアスオートエンコーダDTAEを紹介する。
論文 参考訳（メタデータ） (2021-02-11T08:48:48Z) - Tree Structure-Aware Graph Representation Learning via Integrated
Hierarchical Aggregation and Relational Metric Learning [26.8738194817491]
グラフ表現学習のための木構造対応グラフニューラルネットワークモデルT-GNNを提案する。
提案するT-GNNは,(1)階層型集約モジュールと(2)関係計量学習モジュールの2つのモジュールから構成される。
論文 参考訳（メタデータ） (2020-08-23T09:41:19Z) - Graph Neural Networks with Composite Kernels [60.81504431653264]
カーネル重み付けの観点からノード集約を再解釈する。
本稿では,アグリゲーション方式における特徴類似性を考慮したフレームワークを提案する。
特徴空間における特徴類似性をエンコードするために,元の隣り合うカーネルと学習可能なカーネルの合成として特徴集約を提案する。
論文 参考訳（メタデータ） (2020-05-16T04:44:29Z) - Graph Inference Learning for Semi-supervised Classification [50.55765399527556]
半教師付きノード分類の性能を高めるためのグラフ推論学習フレームワークを提案する。
推論過程の学習には,トレーニングノードから検証ノードへの構造関係のメタ最適化を導入する。
4つのベンチマークデータセットの総合的な評価は、最先端の手法と比較して提案したGILの優位性を示している。
論文 参考訳（メタデータ） (2020-01-17T02:52:30Z)
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。