論文の概要: Multi-Relational Graph Neural Network for Out-of-Domain Link Prediction

• arxiv url: http://arxiv.org/abs/2403.11292v1
• Date: Sun, 17 Mar 2024 18:08:22 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-19 17:36:46.811391
• Title: Multi-Relational Graph Neural Network for Out-of-Domain Link Prediction
• Title（参考訳）: ドメイン外リンク予測のためのマルチリレーショナルグラフニューラルネットワーク
• Authors: Asma Sattar, Georgios Deligiorgis, Marco Trincavelli, Davide Bacciu,
• Abstract要約: 本稿では,領域外一般化問題に対処するため,GOODと呼ばれる新しいグラフニューラルネットワークモデルを提案する。 GOODは、既知の関係タイプから予測を効果的に一般化し、最先端の結果を得ることができる。
• 参考スコア（独自算出の注目度）: 12.475382123139024
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Dynamic multi-relational graphs are an expressive relational representation for data enclosing entities and relations of different types, and where relationships are allowed to vary in time. Addressing predictive tasks over such data requires the ability to find structure embeddings that capture the diversity of the relationships involved, as well as their dynamic evolution. In this work, we establish a novel class of challenging tasks for dynamic multi-relational graphs involving out-of-domain link prediction, where the relationship being predicted is not available in the input graph. We then introduce a novel Graph Neural Network model, named GOOD, designed specifically to tackle the out-of-domain generalization problem. GOOD introduces a novel design concept for multi-relation embedding aggregation, based on the idea that good representations are such when it is possible to disentangle the mixing proportions of the different relational embeddings that have produced it. We also propose five benchmarks based on two retail domains, where we show that GOOD can effectively generalize predictions out of known relationship types and achieve state-of-the-art results. Most importantly, we provide insights into problems where out-of-domain prediction might be preferred to an in-domain formulation, that is, where the relationship to be predicted has very few positive examples.
• Abstract（参考訳）: 動的マルチリレーショナルグラフ(英: dynamic multi-relational graph)は、データを取り囲むエンティティと異なるタイプの関係を表現的に表現するグラフである。 このようなデータ上の予測タスクに対処するには、関係の多様性を捉え、その動的進化を捉える構造埋め込みを見つける能力が必要である。 本研究では、ドメイン外リンク予測を含む動的マルチリレーショナルグラフのための新しい課題のクラスを構築し、予測される関係が入力グラフで利用できないようにする。 次に、ドメイン外一般化問題に対処するために設計された、GOODと呼ばれる新しいグラフニューラルネットワークモデルを導入する。 GOODは、優れた表現が、それを生成した異なる関係埋め込みの混合比率を解き放つことができるという考え方に基づいて、マルチリレー埋め込みアグリゲーションのための新しい設計概念を導入している。 また、2つの小売ドメインに基づく5つのベンチマークを提案し、GOODが既知の関係タイプから予測を効果的に一般化し、最先端の結果が得られることを示した。 最も重要なことは、ドメイン外予測がドメイン内の定式化よりも好まれる可能性のある問題、すなわち予測される関係が極めて少ない問題に対する洞察を提供することである。

関連論文リスト

• Relating-Up: Advancing Graph Neural Networks through Inter-Graph Relationships [17.978546172777342]
  グラフニューラルネットワーク(GNN)は、グラフ構造化データから学ぶのに優れています。 彼らの成功にもかかわらず、GNNはグラフ間の関係のコンテキストを無視して制限される。 本稿では,グラフ間の関係を利用してGNNを強化するプラグイン・アンド・プレイモジュールであるRelating-Upを紹介する。
  論文  参考訳（メタデータ） (2024-05-07T02:16:54Z)
• Learning Complete Topology-Aware Correlations Between Relations for Inductive Link Prediction [121.65152276851619]
  関係性間の意味的相関は本質的にエッジレベルとエンティティ非依存であることを示す。 本研究では,関係関係のトポロジ・アウェア・コレレーションをモデル化するための新しいサブグラフベース手法,TACOを提案する。 RCNのポテンシャルをさらに活用するために, 完全コモンニアインダストリアルサブグラフを提案する。
  論文  参考訳（メタデータ） (2023-09-20T08:11:58Z)
• EvolveHypergraph: Group-Aware Dynamic Relational Reasoning for Trajectory Prediction [39.66755326557846]
  本稿では,動的に進化する関係構造を明示的に推論したグループ認識型関係推論手法(Hypergraph)を提案する。 提案手法は, 説明可能な, 合理的なグループ認識関係を推定し, 長期予測における最先端性能を実現する。
  論文  参考訳（メタデータ） (2022-08-10T17:57:10Z)
• Learning the Evolutionary and Multi-scale Graph Structure for Multivariate Time Series Forecasting [50.901984244738806]
  時系列の進化的・マルチスケール相互作用をモデル化する方法を示す。 特に、まず、拡張畳み込みと協調して、スケール固有の相関を捉える階層グラフ構造を提供する。 最終的な予測を得るために上記のコンポーネントを統合するために、統合ニューラルネットワークが提供される。
  論文  参考訳（メタデータ） (2022-06-28T08:11:12Z)
• r-GAT: Relational Graph Attention Network for Multi-Relational Graphs [8.529080554172692]
  Graph Attention Network (GAT)は、単純な無方向性グラフと単一のリレーショナルグラフデータのみをモデル化することに焦点を当てている。 マルチチャネルエンティティ表現を学習するための関係グラフアテンションネットワークであるr-GATを提案する。 リンク予測とエンティティ分類タスクの実験は、我々のr-GATがマルチリレーショナルグラフを効果的にモデル化できることを示します。
  論文  参考訳（メタデータ） (2021-09-13T12:43:00Z)
• Inter-domain Multi-relational Link Prediction [19.094154079752123]
  関連するグラフが共存する場合には、より小さなグラフを統合することで、より大きなグラフを構築するという大きなメリットがあります。 この統合では、異なるグラフに属するエンティティ間の隠れたリレーショナル接続を予測する必要がある。 ドメイン間リンク予測問題に対して,異なるドメイン間のエンティティ分布をソフトに整合させることにより,新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2021-06-11T05:10:31Z)
• Reinforced Neighborhood Selection Guided Multi-Relational Graph Neural Networks [68.9026534589483]
  RioGNNはReinforceed, recursive, flexible neighborhood selection guided multi-relational Graph Neural Network architectureである。 RioGNNは、各関係の個々の重要性の認識により、説明性を高めた差別的なノード埋め込みを学ぶことができる。
  論文  参考訳（メタデータ） (2021-04-16T04:30:06Z)
• CopulaGNN: Towards Integrating Representational and Correlational Roles of Graphs in Graph Neural Networks [23.115288017590093]
  グラフニューラルネットワーク(GNN)モデルが両タイプの情報を効果的に活用する方法について検討する。 提案したCopula Graph Neural Network (CopulaGNN)は、幅広いGNNモデルをベースモデルとして扱うことができる。
  論文  参考訳（メタデータ） (2020-10-05T15:20:04Z)
• 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)
• Connecting the Dots: Multivariate Time Series Forecasting with Graph Neural Networks [91.65637773358347]
  多変量時系列データに特化して設計された汎用グラフニューラルネットワークフレームワークを提案する。 グラフ学習モジュールを用いて,変数間の一方向関係を自動的に抽出する。 提案手法は,4つのベンチマークデータセットのうち3つにおいて,最先端のベースライン手法よりも優れている。
  論文  参考訳（メタデータ） (2020-05-24T04:02:18Z)
• Tensor Graph Convolutional Networks for Multi-relational and Robust Learning [74.05478502080658]
  本稿では,テンソルで表されるグラフの集合に関連するデータから,スケーラブルな半教師付き学習(SSL)を実現するためのテンソルグラフ畳み込みネットワーク(TGCN)を提案する。 提案アーキテクチャは、標準的なGCNと比較して大幅に性能が向上し、最先端の敵攻撃に対処し、タンパク質間相互作用ネットワーク上でのSSL性能が著しく向上する。
  論文  参考訳（メタデータ） (2020-03-15T02:33:21Z)

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。