論文の概要: AGHINT: Attribute-Guided Representation Learning on Heterogeneous Information Networks with Transformer

• arxiv url: http://arxiv.org/abs/2404.10443v1
• Date: Tue, 16 Apr 2024 10:30:48 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-17 17:13:30.391787
• Title: AGHINT: Attribute-Guided Representation Learning on Heterogeneous Information Networks with Transformer
• Title（参考訳）: AGHINT:変圧器を用いた異種情報ネットワークにおける属性誘導型表現学習
• Authors: Jinhui Yuan, Shan Lu, Peibo Duan, Jieyue He,
• Abstract要約: 本稿では,ノード間特性の相違がベンチマークタスクにおけるHGNNの性能に与える影響について検討する。 我々はTransformer (AGHINT) を用いたAttribute-Guidous Information Networks表現学習モデルを提案する。 AGHINTは、学習プロセスに高次の類似した特徴を直接統合することで、元のグラフ構造の制約を超越する。
• 参考スコア（独自算出の注目度）: 4.01252998015631
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recently, heterogeneous graph neural networks (HGNNs) have achieved impressive success in representation learning by capturing long-range dependencies and heterogeneity at the node level. However, few existing studies have delved into the utilization of node attributes in heterogeneous information networks (HINs). In this paper, we investigate the impact of inter-node attribute disparities on HGNNs performance within the benchmark task, i.e., node classification, and empirically find that typical models exhibit significant performance decline when classifying nodes whose attributes markedly differ from their neighbors. To alleviate this issue, we propose a novel Attribute-Guided heterogeneous Information Networks representation learning model with Transformer (AGHINT), which allows a more effective aggregation of neighbor node information under the guidance of attributes. Specifically, AGHINT transcends the constraints of the original graph structure by directly integrating higher-order similar neighbor features into the learning process and modifies the message-passing mechanism between nodes based on their attribute disparities. Extensive experimental results on three real-world heterogeneous graph benchmarks with target node attributes demonstrate that AGHINT outperforms the state-of-the-art.
• Abstract（参考訳）: 近年,ノードレベルでの長距離依存や不均一性を捉えることで,表現学習において,ヘテロジニアスグラフニューラルネットワーク(HGNN)は目覚ましい成功を収めている。 しかし、異種情報ネットワーク(HIN)におけるノード属性の利用について検討する研究はほとんどない。 本稿では,ノード間属性の相違がベンチマークタスク中のHGNNのパフォーマンスに与える影響,すなわちノード分類に与える影響について検討し,属性が隣り合うノードと大きく異なるノードを分類した場合に,典型的なモデルが顕著な性能低下を示すことを実証的に見出した。 この問題を軽減するために,Transformer (AGHINT) を用いたAttribute-Guidous Information Networks表現学習モデルを提案する。 具体的には、AGHINTは、高階類似の隣り合う特徴を直接学習プロセスに統合することで、元のグラフ構造の制約を超越し、それらの属性の相違に基づいてノード間のメッセージパッシング機構を変更する。 ターゲットノード属性を持つ3つの実世界の異種グラフベンチマークの大規模な実験結果から、AGHINTは最先端のグラフベンチマークよりも優れていることが示された。

関連論文リスト

• AdaRC: Mitigating Graph Structure Shifts during Test-Time [66.40525136929398]
  テスト時間適応(TTA)は、ソースドメインに再アクセスすることなく、トレーニング済みのモデルをターゲットドメインに適応できる能力によって注目を集めている。 AdaRCは,グラフの構造シフトに効果的かつ効率的な適応を意図した,革新的なフレームワークである。
  論文  参考訳（メタデータ） (2024-10-09T15:15:40Z)
• Global Context Enhanced Anomaly Detection of Cyber Attacks via Decoupled Graph Neural Networks [0.0]
  非線形ネットワーク情報をキャプチャする問題を克服するために、分離したGNNをデプロイする。 ノード表現学習のために,ノード特徴情報を集約する2つのモジュールを持つGNNアーキテクチャを開発する。 その結果,非結合型トレーニングとグローバルコンテキストの強化されたノード表現は,AUCにおける最先端モデルよりも優れていることがわかった。
  論文  参考訳（メタデータ） (2024-09-04T21:54:07Z)
• Learn from Heterophily: Heterophilous Information-enhanced Graph Neural Network [4.078409998614025]
  論理的に異なるラベルを持つノードは意味論的意味に基づいて接続される傾向があるが、グラフニューラルネットワーク(GNN)は、しばしば最適以下の性能を示す。 ヘテロフィリーに固有の意味情報をグラフ学習において効果的に活用できることを示す。 ノード分布を利用して異種情報を統合する新しいグラフ構造を構築する革新的な手法であるHiGNNを提案する。
  論文  参考訳（メタデータ） (2024-03-26T03:29:42Z)
• DGNN: Decoupled Graph Neural Networks with Structural Consistency between Attribute and Graph Embedding Representations [62.04558318166396]
  グラフニューラルネットワーク(GNN)は、複雑な構造を持つグラフ上での表現学習の堅牢性を示す。 ノードのより包括的な埋め込み表現を得るために、Decoupled Graph Neural Networks (DGNN)と呼ばれる新しいGNNフレームワークが導入された。 複数のグラフベンチマークデータセットを用いて、ノード分類タスクにおけるDGNNの優位性を検証した。
  論文  参考訳（メタデータ） (2024-01-28T06:43:13Z)
• Enhanced Graph Neural Networks with Ego-Centric Spectral Subgraph Embeddings Augmentation [11.841882902141696]
  Ego-centric Spectral subGraph Embedding Augmentation (ESGEA) と呼ばれる新しいアプローチを提案する。 ESGEAは、特に情報が不足しているシナリオにおいて、ノード機能の強化と設計を目的としている。 ノード属性が利用できないソーシャルネットワークグラフ分類タスクにおいて,提案手法の評価を行った。
  論文  参考訳（メタデータ） (2023-10-10T14:57:29Z)
• Collaborative Graph Neural Networks for Attributed Network Embedding [63.39495932900291]
  グラフニューラルネットワーク(GNN)は、属性付きネットワーク埋め込みにおいて顕著な性能を示している。 本稿では,ネットワーク埋め込みに適したGNNアーキテクチャであるCulaborative graph Neural Networks-CONNを提案する。
  論文  参考訳（メタデータ） (2023-07-22T04:52:27Z)
• Heterogeneous Graph Neural Networks using Self-supervised Reciprocally Contrastive Learning [102.9138736545956]
  不均一グラフニューラルネットワーク(HGNN)は異種グラフのモデリングと解析において非常に一般的な手法である。 我々は,ノード属性とグラフトポロジの各ガイダンスに関する2つの視点を取り入れた,新規で頑健なヘテロジニアスグラフコントラスト学習手法であるHGCLを初めて開発する。 この新しいアプローチでは,属性とトポロジに関連情報を別々にマイニングする手法として,異なるが最も適した属性とトポロジの融合機構を2つの視点に適用する。
  論文  参考訳（メタデータ） (2022-04-30T12:57:02Z)
• 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)
• Uniting Heterogeneity, Inductiveness, and Efficiency for Graph Representation Learning [68.97378785686723]
  グラフニューラルネットワーク(GNN)は,グラフ上のノード表現学習の性能を大幅に向上させた。 GNNの過半数クラスは均質グラフのためにのみ設計されており、より有益な異種グラフに劣る適応性をもたらす。 本稿では,低次ノードと高次ノードの両方のエッジに付随するヘテロジニアスなノード特徴をパッケージ化する,新しい帰納的メタパスフリーメッセージパッシング方式を提案する。
  論文  参考訳（メタデータ） (2021-04-04T23:31:39Z)

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。