論文の概要: Diffusion-based Negative Sampling on Graphs for Link Prediction

• arxiv url: http://arxiv.org/abs/2403.17259v1
• Date: Mon, 25 Mar 2024 23:07:31 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-27 17:15:36.128147
• Title: Diffusion-based Negative Sampling on Graphs for Link Prediction
• Title（参考訳）: リンク予測のためのグラフ上の拡散型負サンプリング
• Authors: Trung-Kien Nguyen, Yuan Fang,
• Abstract要約: リンク予測は、ソーシャルネットワーク分析やレコメンデーションシステムなど、Web上の重要なアプリケーションを用いたグラフ解析の基本的なタスクである。 本稿では,潜在空間からフレキシブルかつ制御可能な硬さのレベルを持つ負ノード生成を可能にする,マルチレベル負サンプリングの新しい手法を提案する。 条件拡散に基づくマルチレベル負サンプリング (DMNS) と呼ばれる本手法は, 拡散モデルのマルコフ連鎖特性を利用して, 可変硬度の複数レベルにおいて負のノードを生成する。
• 参考スコア（独自算出の注目度）: 8.691564173331924
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Link prediction is a fundamental task for graph analysis with important applications on the Web, such as social network analysis and recommendation systems, etc. Modern graph link prediction methods often employ a contrastive approach to learn robust node representations, where negative sampling is pivotal. Typical negative sampling methods aim to retrieve hard examples based on either predefined heuristics or automatic adversarial approaches, which might be inflexible or difficult to control. Furthermore, in the context of link prediction, most previous methods sample negative nodes from existing substructures of the graph, missing out on potentially more optimal samples in the latent space. To address these issues, we investigate a novel strategy of multi-level negative sampling that enables negative node generation with flexible and controllable ``hardness'' levels from the latent space. Our method, called Conditional Diffusion-based Multi-level Negative Sampling (DMNS), leverages the Markov chain property of diffusion models to generate negative nodes in multiple levels of variable hardness and reconcile them for effective graph link prediction. We further demonstrate that DMNS follows the sub-linear positivity principle for robust negative sampling. Extensive experiments on several benchmark datasets demonstrate the effectiveness of DMNS.
• Abstract（参考訳）: リンク予測は、ソーシャルネットワーク分析やレコメンデーションシステムなど、Web上の重要なアプリケーションを用いたグラフ解析の基本的なタスクである。 現代のグラフリンク予測法は、しばしば負のサンプリングが中心となるロバストなノード表現を学習するための対照的なアプローチを用いる。 典型的な負のサンプリング手法は、既定のヒューリスティックまたは自動対向アプローチに基づいてハードサンプルを検索することを目的としており、これは非フレキシブルまたは制御が困難である。 さらに、リンク予測の文脈では、ほとんどの従来の手法はグラフの既存の部分構造から負のノードをサンプリングし、潜在空間における潜在的に最適なサンプルを欠いている。 これらの問題に対処するため、我々は、潜在空間からフレキシブルかつ制御可能な ``hardness'' レベルの負ノード生成を可能にするマルチレベル負サンプリングの新たな戦略について検討する。 条件拡散に基づく多値負サンプリング (DMNS) と呼ばれる手法は, 拡散モデルのマルコフ連鎖特性を利用して, 可変硬度の複数レベルにおいて負のノードを生成し, グラフリンク予測を効果的に行う。 さらに, DMNSはロバストな負サンプリングのためのサブ線形正の原理に従うことを実証した。 いくつかのベンチマークデータセットに対する大規模な実験は、DMNSの有効性を実証している。

関連論文リスト

• Contrastive CFG: Improving CFG in Diffusion Models by Contrasting Positive and Negative Concepts [55.298031232672734]
  As-Free Guidance (CFG) は条件拡散モデルサンプリングに有効であることが証明された。 対照的な損失を用いた負のCFG誘導を強化する新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-11-26T03:29:27Z)
• Enhancing Link Prediction with Fuzzy Graph Attention Networks and Dynamic Negative Sampling [0.0]
  Fuzzy Graph Attention Networks (FGAT) は、動的負サンプリングのためにファジィ粗集合を統合する新しいアプローチである。 FNSはファジィ類似性に基づいて高品質な負エッジを選択し、トレーニング効率を向上させる。 2つの研究コラボレーションネットワークの実験は、FGATの優れたリンク予測精度を示し、最先端のベースラインを上回っている。
  論文  参考訳（メタデータ） (2024-11-12T02:08:19Z)
• Layer-diverse Negative Sampling for Graph Neural Networks [19.84639875144519]
  グラフニューラルネットワーク(GNN)は、様々な構造学習アプリケーションのための強力なソリューションである。 メッセージパッシング伝搬のための層間負サンプリング法を提案する。 本研究は,ネガティブサンプルの多様性向上と総合学習性能向上におけるアプローチの有効性を実証する。
  論文  参考訳（メタデータ） (2024-03-18T01:48:50Z)
• Graph Out-of-Distribution Generalization with Controllable Data Augmentation [51.17476258673232]
  グラフニューラルネットワーク(GNN)は,グラフ特性の分類において異常な性能を示した。 トレーニングとテストデータの選択バイアスが原因で、分散偏差が広まっています。 仮想サンプルの分布偏差を測定するためのOODキャリブレーションを提案する。
  論文  参考訳（メタデータ） (2023-08-16T13:10:27Z)
• Your Negative May not Be True Negative: Boosting Image-Text Matching with False Negative Elimination [62.18768931714238]
  提案手法は, サンプリングによる新規な偽陰性除去 (FNE) 戦略である。 その結果,提案した偽陰性除去戦略の優位性が示された。
  論文  参考訳（メタデータ） (2023-08-08T16:31:43Z)
• Energy-based Out-of-Distribution Detection for Graph Neural Networks [76.0242218180483]
  我々は,GNNSafeと呼ばれるグラフ上での学習のための,シンプルで強力で効率的なOOD検出モデルを提案する。 GNNSafeは、最先端技術に対するAUROCの改善を最大17.0%で達成しており、そのような未開発領域では単純だが強力なベースラインとして機能する可能性がある。
  論文  参考訳（メタデータ） (2023-02-06T16:38:43Z)
• Relation-aware Graph Attention Model With Adaptive Self-adversarial Training [29.240686573485718]
  本稿では,不均一なマルチリレーショナルグラフにおける関係予測タスクのエンドツーエンドソリューションについて述べる。 特にパイプライン内の2つのビルディングブロック、すなわちヘテロジニアスグラフ表現学習と負のサンプリングに対処する。 パラメータフリーな負のサンプリング手法であるadaptive self-adversarial (asa) 負のサンプリングを導入する。
  論文  参考訳（メタデータ） (2021-02-14T16:11:56Z)
• Structure Aware Negative Sampling in Knowledge Graphs [18.885368822313254]
  対照的な学習アプローチの重要な側面は、強い負のサンプルを生成する汚職分布の選択である。 我々は,ノードのkホップ近傍から負のサンプルを選択することで,リッチグラフ構造を利用した安価な負のサンプリング戦略であるStructure Aware Negative Smpling (SANS)を提案する。
  論文  参考訳（メタデータ） (2020-09-23T19:57:00Z)
• Understanding Negative Sampling in Graph Representation Learning [87.35038268508414]
  最適化目標と結果のばらつきを決定するためには, 正のサンプリングと同様に負のサンプリングが重要であることを示す。 我々は,自己コントラスト近似による正の分布を近似し,メトロポリス・ハスティングスによる負のサンプリングを高速化するメトロポリス・ハスティングス(MCNS)を提案する。 提案手法は,リンク予測,ノード分類,パーソナライズドレコメンデーションを含む,下流グラフ学習タスクをカバーする5つのデータセットに対して評価する。
  論文  参考訳（メタデータ） (2020-05-20T06:25:21Z)
• Reinforced Negative Sampling over Knowledge Graph for Recommendation [106.07209348727564]
  我々は、高品質なネガティブを探索する強化学習エージェントとして機能する新しい負サンプリングモデル、知識グラフポリシーネットワーク(kgPolicy)を開発した。 kgPolicyは、ターゲットのポジティブなインタラクションからナビゲートし、知識を意識したネガティブなシグナルを適応的に受信し、最終的にはリコメンダをトレーニングする潜在的なネガティブなアイテムを生成する。
  論文  参考訳（メタデータ） (2020-03-12T12:44:30Z)

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。