論文の概要: HeteGraph-Mamba: Heterogeneous Graph Learning via Selective State Space Model

• arxiv url: http://arxiv.org/abs/2405.13915v1
• Date: Wed, 22 May 2024 18:41:11 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-24 20:43:22.413801
• Title: HeteGraph-Mamba: Heterogeneous Graph Learning via Selective State Space Model
• Title（参考訳）: HeteGraph-Mamba:選択状態空間モデルによる不均一グラフ学習
• Authors: Zhenyu Pan, Yoonsung Jeong, Xiaoda Liu, Han Liu,
• Abstract要約: 異種グラフ学習のための選択状態空間モデル(SSSM)を利用するための最初の探索として、異種グラフマンバネットワーク(HGMN)を提案する。 文献と比較すると、HGMNは、(i)異種ノード間の長距離依存関係をキャプチャし、(ii)異種グラフデータにSSSMを適用するという2つの大きな課題を克服する。
• 参考スコア（独自算出の注目度）: 4.679586996508103
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: We propose a heterogeneous graph mamba network (HGMN) as the first exploration in leveraging the selective state space models (SSSMs) for heterogeneous graph learning. Compared with the literature, our HGMN overcomes two major challenges: (i) capturing long-range dependencies among heterogeneous nodes and (ii) adapting SSSMs to heterogeneous graph data. Our key contribution is a general graph architecture that can solve heterogeneous nodes in real-world scenarios, followed an efficient flow. Methodologically, we introduce a two-level efficient tokenization approach that first captures long-range dependencies within identical node types, and subsequently across all node types. Empirically, we conduct comparisons between our framework and 19 state-of-the-art methods on the heterogeneous benchmarks. The extensive comparisons demonstrate that our framework outperforms other methods in both the accuracy and efficiency dimensions.
• Abstract（参考訳）: 異種グラフ学習のための選択状態空間モデル(SSSM)を利用するための最初の探索として、異種グラフマンバネットワーク(HGMN)を提案する。 文献と比較すると、HGMNは2つの大きな課題を克服しています。 一 異種ノード間の長距離依存関係の取得及び (2)不均一グラフデータにSSSMを適用する。 我々の重要な貢献は、実世界のシナリオにおける異種ノードを解ける汎用グラフアーキテクチャであり、その後に効率的なフローが続く。 提案手法では,まず同一ノードタイプ内の長距離依存関係をキャプチャし,次にすべてのノードタイプにまたがる2段階の効率的なトークン化手法を提案する。 実験的に、不均一なベンチマーク上で、我々のフレームワークと19の最先端メソッドの比較を行う。 大規模な比較では、我々のフレームワークは精度と効率の両面で他の手法よりも優れていることが示されている。

関連論文リスト

• When Heterophily Meets Heterogeneous Graphs: Latent Graphs Guided Unsupervised Representation Learning [6.2167203720326025]
  非教師付きヘテロジニアスグラフ表現学習(UHGRL)は,ラベルのない実用的なグラフを扱うことの重要性から注目されている。 我々はセマンティックなヘテロフィリーを定義し、この問題に対処するためにLatGRL(Latent Graphs Guided Unsupervised Representation Learning)と呼ばれる革新的なフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-09-01T10:25:06Z)
• Histopathology Whole Slide Image Analysis with Heterogeneous Graph Representation Learning [78.49090351193269]
  本稿では,WSI分析のために,異なる種類の核間の相互関係を利用する新しいグラフベースのフレームワークを提案する。 具体的には、WSI を各ノードに "nucleus-type" 属性と各エッジに類似した意味属性を持つ異種グラフとして定式化する。 我々のフレームワークは、様々なタスクに対してかなりのマージンで最先端の手法より優れています。
  論文  参考訳（メタデータ） (2023-07-09T14:43:40Z)
• A Simple and Scalable Graph Neural Network for Large Directed Graphs [11.792826520370774]
  入力グラフ内のノード表現とエッジ方向認識の様々な組み合わせについて検討する。 そこで本研究では,A2DUGを簡易かつ包括的に分類する手法を提案する。 我々は、A2DUGが様々なデータセットで安定して動作し、最先端の手法と比較して11.29まで精度が向上することを示した。
  論文  参考訳（メタデータ） (2023-06-14T06:24:58Z)
• 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)
• Geometry Contrastive Learning on Heterogeneous Graphs [50.58523799455101]
  本稿では,幾何学コントラスト学習(Geometry Contrastive Learning, GCL)と呼ばれる,新しい自己指導型学習手法を提案する。 GCLはユークリッドと双曲的な視点からヘテロジニアスグラフを同時に見ることができ、リッチな意味論と複雑な構造をモデル化する能力の強い融合を目指している。 4つのベンチマークデータセットの大規模な実験は、提案手法が強いベースラインよりも優れていることを示している。
  論文  参考訳（メタデータ） (2022-06-25T03:54:53Z)
• 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)
• A Robust and Generalized Framework for Adversarial Graph Embedding [73.37228022428663]
  本稿では,AGE という逆グラフ埋め込みのための頑健なフレームワークを提案する。 AGEは、暗黙の分布から強化された負のサンプルとして偽の隣接ノードを生成する。 本フレームワークでは,3種類のグラフデータを扱う3つのモデルを提案する。
  論文  参考訳（メタデータ） (2021-05-22T07:05:48Z)
• Het-node2vec: second order random walk sampling for heterogeneous multigraphs embedding [0.9084022224205381]
  Het-node2vecは、異種グラフを埋め込むノード2vecアルゴリズムの拡張である。 我々はHet-node2vecがノードラベルおよびエッジ予測タスクにおける異種グラフの最先端手法に対して同等あるいは優れた性能を達成することを示す。
  論文  参考訳（メタデータ） (2021-01-05T09:38:02Z)
• Heterogeneous Graph Transformer [49.675064816860505]
  Webスケールの不均一グラフモデリングのための不均一グラフ変換器(HGT)アーキテクチャ 動的ヘテロジニアスグラフを扱うために、HGTに相対時間符号化手法を導入する。 Web スケールのグラフデータを扱うため,ヘテロジニアスなミニバッチグラフサンプリングアルゴリズム--HGSampling--を設計し,効率的かつスケーラブルなトレーニングを行う。
  論文  参考訳（メタデータ） (2020-03-03T04:49:21Z)

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。