論文の概要: Accurate Link Prediction for Edge-Incomplete Graphs via PU Learning

• arxiv url: http://arxiv.org/abs/2405.11911v2
• Date: Thu, 12 Dec 2024 07:17:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-13 17:01:43.761013
• Title: Accurate Link Prediction for Edge-Incomplete Graphs via PU Learning
• Title（参考訳）: PU学習によるエッジ不完全グラフの正確なリンク予測
• Authors: Junghun Kim, Ka Hyun Park, Hoyoung Yoon, U Kang,
• Abstract要約: エッジ不完全グラフが与えられたら、どのようにして不足するリンクを正確に見つけることができるのか? 本稿では, PULL (PU-Learning-based Link predictor) を提案する。 PULLは、エッジ不完全グラフのリンクを予測するベースラインを一貫して上回る。
• 参考スコア（独自算出の注目度）: 12.8532740199204
• License:
• Abstract: Given an edge-incomplete graph, how can we accurately find the missing links? The link prediction in edge-incomplete graphs aims to discover the missing relations between entities when their relationships are represented as a graph. Edge-incomplete graphs are prevalent in real-world due to practical limitations, such as not checking all users when adding friends in a social network. Addressing the problem is crucial for various tasks, including recommending friends in social networks and finding references in citation networks. However, previous approaches rely heavily on the given edge-incomplete (observed) graph, making it challenging to consider the missing (unobserved) links during training. In this paper, we propose PULL (PU-Learning-based Link predictor), an accurate link prediction method based on the positive-unlabeled (PU) learning. PULL treats the observed edges in the training graph as positive examples, and the unconnected node pairs as unlabeled ones. PULL effectively prevents the link predictor from overfitting to the observed graph by proposing latent variables for every edge, and leveraging the expected graph structure with respect to the variables. Extensive experiments on five real-world datasets show that PULL consistently outperforms the baselines for predicting links in edge-incomplete graphs.
• Abstract（参考訳）: エッジ不完全グラフが与えられたら、どのようにして不足するリンクを正確に見つけることができるのか? エッジ不完全グラフにおけるリンク予測は、それらの関係がグラフとして表されるときに、エンティティ間の欠落した関係を発見することを目的としている。 エッジ不完全なグラフは、ソーシャルネットワークに友達を追加する際にすべてのユーザーをチェックすることなど、現実的な制限のために現実的に普及している。 この問題に対処することは、ソーシャルネットワークでの友人の推薦や、引用ネットワークにおける参照の発見など、さまざまなタスクに不可欠である。 しかし、以前のアプローチは与えられたエッジ不完全(観測された)グラフに大きく依存しているため、トレーニング中に欠落している(観測されていない)リンクを考えるのは難しい。 本稿では,PULL(PU-Learning-based Link predictor)を提案する。 PULLはトレーニンググラフの観測されたエッジを肯定的な例として扱い、未接続ノードペアをラベルのないものとして扱う。 PULLは、各エッジに対して潜在変数を提案し、変数に関して期待されるグラフ構造を活用することにより、リンク予測器が観測グラフにオーバーフィットすることを効果的に防止する。 5つの実世界のデータセットに対する大規模な実験は、PULLがエッジ不完全グラフのリンクを予測するベースラインを一貫して上回っていることを示している。

関連論文リスト

• You Only Transfer What You Share: Intersection-Induced Graph Transfer Learning for Link Prediction [79.15394378571132]
  従来見過ごされていた現象を調査し、多くの場合、元のグラフに対して密に連結された補グラフを見つけることができる。 より密度の高いグラフは、選択的で有意義な知識を伝達するための自然なブリッジを提供する元のグラフとノードを共有することができる。 この設定をグラフインターセクション誘導トランスファーラーニング(GITL)とみなし,eコマースや学術共同オーサシップ予測の実践的応用に動機づけられた。
  論文  参考訳（メタデータ） (2023-02-27T22:56:06Z)
• Rethinking Explaining Graph Neural Networks via Non-parametric Subgraph Matching [68.35685422301613]
  そこで我々はMatchExplainerと呼ばれる新しい非パラメトリックな部分グラフマッチングフレームワークを提案し、説明的部分グラフを探索する。 ターゲットグラフと他のインスタンスを結合し、ノードに対応する距離を最小化することで最も重要な結合部分構造を識別する。 合成および実世界のデータセットの実験は、最先端のパラメトリックベースラインをかなりのマージンで上回り、MatchExplainerの有効性を示す。
  論文  参考訳（メタデータ） (2023-01-07T05:14:45Z)
• FakeEdge: Alleviate Dataset Shift in Link Prediction [16.161812856581676]
  リンク予測タスクでは、テストセット内のリンクがまだ形成されていない間に、トレーニングセット内のリンクが常に存在し、接続パターンの相違と学習された表現のバイアスが発生する。 本研究では,学習セットとテストセット間のグラフトポロジ的ギャップを緩和し,モデルに依存しないFakeEdgeを提案する。
  論文  参考訳（メタデータ） (2022-11-29T03:36:01Z)
• Line Graph Contrastive Learning for Link Prediction [4.876567687745239]
  多視点情報を得るために,Line Graph Contrastive Learning (LGCL)法を提案する。 6つの公開データセットの実験により、LGCLはリンク予測タスクの現在のベンチマークを上回っている。
  論文  参考訳（メタデータ） (2022-10-25T06:57:00Z)
• Node Classification Meets Link Prediction on Knowledge Graphs [16.37145148171519]
  不完全グラフ上のトランスダクティブノード分類の問題とノード特徴を持つグラフ上のリンク予測について検討する。 ノード分類とリンク予測のための各最先端モデルと比較すると,本モデルは非常に強く機能する。
  論文  参考訳（メタデータ） (2021-06-14T10:52:52Z)
• Training Robust Graph Neural Networks with Topology Adaptive Edge Dropping [116.26579152942162]
  グラフニューラルネットワーク(GNN)は、グラフ構造情報を利用してネットワークデータから表現をモデル化する処理アーキテクチャである。 彼らの成功にもかかわらず、GNNは限られた訓練データから得られる準最適一般化性能に悩まされている。 本稿では、一般化性能を改善し、堅牢なGNNモデルを学習するためのトポロジ適応エッジドロップ法を提案する。
  論文  参考訳（メタデータ） (2021-06-05T13:20:36Z)
• GCN-ALP: Addressing Matching Collisions in Anchor Link Prediction [40.811988657941946]
  問題のtextitanchorリンク予測は、ソーシャルネットワーク全体のユーザープロファイル、コンテンツ、ネットワーク構造上の共通の根拠とユーザーデータをリンクするために形式化されます。 マッチンググラフ上でのアンカーリンク予測を効率的に解く、ミニバッチ戦略によるグラフ畳み込みネットワークを提案する。
  論文  参考訳（メタデータ） (2021-03-19T02:41:55Z)
• Handling Missing Data with Graph Representation Learning [62.59831675688714]
  特徴量計算とラベル予測のためのグラフベースのフレームワークであるGRAPEを提案する。 GRAPEでは,特徴計算をエッジレベル予測タスク,ラベル予測をノードレベル予測タスクとして定式化する。 9つのベンチマークデータセットによる実験結果から、GRAPEは計算タスクの平均絶対誤差を20%低く、ラベル予測タスクを10%低くすることがわかった。
  論文  参考訳（メタデータ） (2020-10-30T17:59:13Z)
• Line Graph Neural Networks for Link Prediction [71.00689542259052]
  実世界の多くのアプリケーションにおいて古典的なグラフ解析問題であるグラフリンク予測タスクについて検討する。 このフォーマリズムでは、リンク予測問題をグラフ分類タスクに変換する。 本稿では,線グラフをグラフ理論に用いて,根本的に異なる新しい経路を求めることを提案する。 特に、線グラフの各ノードは、元のグラフのユニークなエッジに対応するため、元のグラフのリンク予測問題は、グラフ分類タスクではなく、対応する線グラフのノード分類問題として等価に解決できる。
  論文  参考訳（メタデータ） (2020-10-20T05:54:31Z)
• 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。