論文の概要: Link Prediction with Physics-Inspired Graph Neural Networks

• arxiv url: http://arxiv.org/abs/2402.14802v2
• Date: Sat, 05 Apr 2025 18:19:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-08 14:06:16.118559
• Title: Link Prediction with Physics-Inspired Graph Neural Networks
• Title（参考訳）: 物理に着想を得たグラフニューラルネットワークによるリンク予測
• Authors: Andrea Giuseppe Di Francesco, Francesco Caso, Maria Sofia Bucarelli, Fabrizio Silvestri,
• Abstract要約: 本稿では、ヘテロフィリーの下でのリンク予測の貴重なタスクに焦点を当てる。 これはレコメンデーションシステム、ソーシャルネットワーク分析、その他のアプリケーションにとって興味深い問題である。 GRAFF-LPは、エッジ勾配の分離を暗黙的に学習することにより、既存のエッジから存在するものを効果的に識別することを示す。
• 参考スコア（独自算出の注目度）: 4.748336065254026
• License:
• Abstract: The message-passing mechanism underlying Graph Neural Networks (GNNs) is not naturally suited for heterophilic datasets, where adjacent nodes often have different labels. Most solutions to this problem remain confined to the task of node classification. In this article, we focus on the valuable task of link prediction under heterophily, an interesting problem for recommendation systems, social network analysis, and other applications. GNNs like GRAFF have improved node classification under heterophily by incorporating physics biases in the architecture. Similarly, we propose GRAFF-LP, an extension of GRAFF for link prediction. We show that GRAFF-LP effectively discriminates existing from non-existing edges by learning implicitly to separate the edge gradients. Based on this information, we propose a new readout function inspired by physics. Remarkably, this new function not only enhances the performance of GRAFF-LP but also improves that of other baseline models, leading us to reconsider how every link prediction experiment has been conducted so far. Finally, we provide evidence that even simple GNNs did not experience greater difficulty in predicting heterophilic links compared to homophilic ones. This leads us to believe in the necessity for heterophily measures specifically tailored for link prediction, distinct from those used in node classification. The code for reproducing our experiments is available at this URL https://anonymous.4open.science/r/Link_Prediction_with_PIGNN_IJCNN-F03F/.
• Abstract（参考訳）: グラフニューラルネットワーク(GNN)を支えるメッセージパッシングメカニズムは、隣接ノードが異なるラベルを持つヘテロフレンドリなデータセットに自然に適していない。 この問題の解の多くは、ノード分類のタスクに限られている。 本稿では,ヘテロフィリーの下でのリンク予測の課題,レコメンデーションシステム,ソーシャルネットワーク分析,その他のアプリケーションにおける興味深い問題に焦点を当てる。 GRAFFのようなGNNは、アーキテクチャに物理バイアスを組み込むことで、不均一なノード分類を改善した。 同様に、リンク予測のためのGRAFFの拡張であるGRAFF-LPを提案する。 GRAFF-LPは、エッジ勾配の分離を暗黙的に学習することにより、既存のエッジから存在するものを効果的に識別することを示す。 この情報に基づいて,物理にインスパイアされた新しい読み出し関数を提案する。 注目すべきことに、この新機能はGRAFF-LPの性能を向上させるだけでなく、他のベースラインモデルの性能も向上させ、これまでのリンク予測実験がどのように行われたかを再考する。 最後に, 単純なGNNであっても, ヘテロ親和性リンクの予測が, ホモ親和性リンクと比較して困難ではないことを示す。 これにより、ノード分類で使われるものとは別として、リンク予測に特化されたヘテロフィリ測度の必要性を信じることができる。 実験を再現するためのコードは、https://anonymous.4open.science/r/Link_Prediction_with_PIGNN_IJNN-F03F/で公開されている。

関連論文リスト

• Rethinking Link Prediction for Directed Graphs [73.36395969796804]
  有向グラフのリンク予測は、様々な現実世界のアプリケーションにとって重要な課題である。 埋め込み手法とグラフニューラルネットワーク(GNN)の最近の進歩は、有望な改善を示している。 本稿では,既存手法の表現性を評価するための統一的なフレームワークを提案し,二重埋め込みとデコーダ設計が性能に与える影響を強調した。
  論文  参考訳（メタデータ） (2025-02-08T23:51:05Z)
• Graph as a feature: improving node classification with non-neural graph-aware logistic regression [2.952177779219163]
  Graph-aware Logistic Regression (GLR) はノード分類タスク用に設計された非神経モデルである。 GNNにアクセスできる情報のごく一部しか使わない従来のグラフアルゴリズムとは異なり、提案モデルではノードの特徴とエンティティ間の関係を同時に活用する。
  論文  参考訳（メタデータ） (2024-11-19T08:32:14Z)
• PROXI: Challenging the GNNs for Link Prediction [3.8233569758620063]
  本稿では,グラフと属性空間の両方におけるノードペアの近接情報を活用するPROXIを紹介する。 標準機械学習(ML)モデルは競争力があり、最先端のGNNモデルよりも優れています。 ProXIによる従来のGNNの拡張はリンク予測性能を大幅に向上させることを示す。
  論文  参考訳（メタデータ） (2024-10-02T17:57:38Z)
• On the Impact of Feature Heterophily on Link Prediction with Graph Neural Networks [12.26334940017605]
  ネットワーク内の接続ノードが異なるクラスラベルや異種特徴を持つ傾向は、多くのグラフニューラルネットワーク(GNN)モデルでは難しいと認識されている。 本稿では,リンク予測タスクに着目し,ノード特徴がGNN性能に与える影響を系統的に解析する。
  論文  参考訳（メタデータ） (2024-09-26T02:19:48Z)
• Design Your Own Universe: A Physics-Informed Agnostic Method for Enhancing Graph Neural Networks [34.16727363891593]
  グラフニューラルネットワーク(GNN)のためのモデルに依存しない拡張フレームワークを提案する。 このフレームワークは、追加ノードを導入し、負の重み付けと負の重み付けの両方で接続を切り替えることでグラフ構造を豊かにする。 提案手法によって強化されたGNNが,過度にスムースな問題を効果的に回避し,過度なスキャッシングに対する堅牢性を示すことを理論的に検証する。 好中球グラフ,ヘテロ親和性グラフ,長期グラフデータセットのベンチマークにおける実証的検証により,本手法により強化されたGNNが元のグラフよりも有意に優れていることが示された。
  論文  参考訳（メタデータ） (2024-01-26T00:47:43Z)
• Breaking the Entanglement of Homophily and Heterophily in Semi-supervised Node Classification [25.831508778029097]
  統計的観点から,ノードプロファイルとトポロジの関係を定量化するAMUDを提案する。 また、AMUDのための新しい有向グラフ学習パラダイムとしてADPAを提案する。
  論文  参考訳（メタデータ） (2023-12-07T07:54:11Z)
• DEGREE: Decomposition Based Explanation For Graph Neural Networks [55.38873296761104]
  我々は,GNN予測に対する忠実な説明を提供するためにDGREEを提案する。 GNNの情報生成と集約機構を分解することにより、DECREEは入力グラフの特定のコンポーネントのコントリビューションを最終的な予測に追跡することができる。 また,従来の手法で見過ごされるグラフノード間の複雑な相互作用を明らかにするために,サブグラフレベルの解釈アルゴリズムを設計する。
  論文  参考訳（メタデータ） (2023-05-22T10:29:52Z)
• Resisting Graph Adversarial Attack via Cooperative Homophilous Augmentation [60.50994154879244]
  最近の研究では、グラフニューラルネットワークは弱く、小さな摂動によって簡単に騙されることが示されている。 本研究では,グラフインジェクションアタック(Graph Injection Attack)という,新興だが重要な攻撃に焦点を当てる。 本稿では,グラフデータとモデルの協調的同好性増強によるGIAに対する汎用防衛フレームワークCHAGNNを提案する。
  論文  参考訳（メタデータ） (2022-11-15T11:44:31Z)
• Relation Embedding based Graph Neural Networks for Handling Heterogeneous Graph [58.99478502486377]
  我々は、同種GNNが不均一グラフを扱うのに十分な能力を持つように、シンプルで効率的なフレームワークを提案する。 具体的には、エッジ型関係と自己ループ接続の重要性を埋め込むために、関係1つのパラメータのみを使用する関係埋め込みベースのグラフニューラルネットワーク(RE-GNN)を提案する。
  論文  参考訳（メタデータ） (2022-09-23T05:24:18Z)
• Graph Neural Networks for Graphs with Heterophily: A Survey [98.45621222357397]
  異種グラフに対するグラフニューラルネットワーク(GNN)の総合的なレビューを提供する。 具体的には,既存の異好性GNNモデルを本質的に支配する系統分類法を提案する。 グラフヘテロフィリーと様々なグラフ研究領域の相関を議論し、より効果的なGNNの開発を促進することを目的とした。
  論文  参考訳（メタデータ） (2022-02-14T23:07:47Z)
• 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)

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。