論文の概要: Co-Representation Neural Hypergraph Diffusion for Edge-Dependent Node Classification
- arxiv url: http://arxiv.org/abs/2405.14286v2
- Date: Wed, 02 Oct 2024 21:21:55 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-10-04 23:30:50.335021
- Title: Co-Representation Neural Hypergraph Diffusion for Edge-Dependent Node Classification
- Title(参考訳): エッジ依存ノード分類のための共表現型ニューラルグラフ拡散
- Authors: Yijia Zheng, Marcel Worring,
- Abstract要約: エッジ依存ノード分類(ENC)では、ノードは異なるハイパーエッジにまたがる異なるラベルを持つことができる。
このタスクの既存のソリューションは、メッセージパッシングとマルチインプット単一出力関数として、エッジ内およびノード内構造におけるモデル相互作用に基づいている。
我々は、エッジ内およびノード内相互作用をマルチインプットマルチアウトプット関数としてモデル化する新しいEMCソリューションであるCoNHDを提案する。
- 参考スコア(独自算出の注目度): 14.548140012950187
- License:
- Abstract: Hypergraphs are widely employed to represent complex higher-order relations in real-world applications. Most hypergraph learning research focuses on node-level or edge-level tasks. A practically relevant but more challenging task, edge-dependent node classification (ENC), is only recently proposed. In ENC, a node can have different labels across different hyperedges, which requires the modeling of node-edge pairs instead of single nodes or hyperedges. Existing solutions for this task are based on message passing and model interactions in within-edge and within-node structures as multi-input single-output functions. This brings three limitations: (1) non-adaptive representation size, (2) non-adaptive messages, and (3) insufficient direct interactions among nodes or edges. To tackle these limitations, we propose CoNHD, a new ENC solution that models both within-edge and within-node interactions as multi-input multi-output functions. Specifically, we represent these interactions as a hypergraph diffusion process on node-edge co-representations. We further develop a neural implementation for this diffusion process, which can adapt to a specific ENC dataset. Extensive experiments demonstrate the effectiveness and efficiency of the proposed CoNHD method.
- Abstract(参考訳): ハイパーグラフは、現実世界のアプリケーションにおける複雑な高次関係を表現するために広く使われている。
ほとんどのハイパーグラフ学習研究は、ノードレベルまたはエッジレベルのタスクに焦点を当てている。
エッジ依存ノード分類(エッジ依存ノード分類、ENC)が提案されている。
ENCでは、ノードは異なるハイパーエッジに異なるラベルを持つことができ、単一のノードやハイパーエッジの代わりにノードとエッジのペアをモデル化する必要がある。
このタスクの既存のソリューションは、メッセージパッシングとマルチインプット単一出力関数として、エッジ内およびノード内構造におけるモデル相互作用に基づいている。
これは、(1)非適応的表現サイズ、(2)非適応的メッセージ、(3)ノードまたはエッジ間の直接的相互作用が不十分な3つの制限をもたらす。
これらの制約に対処するため、我々は、エッジ内およびノード内相互作用をマルチインプットマルチアウトプット関数としてモデル化する新しいEMCソリューションであるCoNHDを提案する。
具体的には,これらの相互作用をノードエッジ共表現上のハイパーグラフ拡散過程として表現する。
さらに,この拡散過程のニューラル実装を開発し,特定のEMCデータセットに適応する。
大規模実験により提案手法の有効性と有効性を示した。
関連論文リスト
- Joint Entity and Relation Extraction with Span Pruning and Hypergraph
Neural Networks [58.43972540643903]
PLマーカ(最先端マーカーベースピプレリンモデル)上に構築されたEREのためのHyperGraphニューラルネットワーク(hgnn$)を提案する。
エラーの伝播を軽減するため,NERモジュールからのエンティティ識別とラベル付けの負担をモデルのジョイントモジュールに転送するために,ハイリコールプルーナー機構を用いる。
EREタスクに広く使用されている3つのベンチマークの実験は、以前の最先端のPLマーカーよりも大幅に改善されている。
論文 参考訳(メタデータ) (2023-10-26T08:36:39Z) - From Hypergraph Energy Functions to Hypergraph Neural Networks [94.88564151540459]
パラメータ化されたハイパーグラフ正規化エネルギー関数の表現型族を示す。
次に、これらのエネルギーの最小化がノード埋め込みとして効果的に機能することを実証する。
提案した双レベルハイパーグラフ最適化と既存のGNNアーキテクチャを共通的に用いている。
論文 参考訳(メタデータ) (2023-06-16T04:40:59Z) - NodeFormer: A Scalable Graph Structure Learning Transformer for Node
Classification [70.51126383984555]
本稿では,任意のノード間のノード信号を効率的に伝搬する全ペアメッセージパッシング方式を提案する。
効率的な計算は、カーナライズされたGumbel-Softmax演算子によって実現される。
グラフ上のノード分類を含む様々なタスクにおいて,本手法の有望な有効性を示す実験を行った。
論文 参考訳(メタデータ) (2023-06-14T09:21:15Z) - Classification of Edge-dependent Labels of Nodes in Hypergraphs [17.454063924648896]
エッジ依存ノードラベルの分類を新しい問題として紹介する。
この問題はハイパーグラフニューラルネットワークのベンチマークタスクとして使用できる。
提案するWHATsNetは,参加するハイパーエッジに応じて同一ノードを異なる表現で表現する,新しいハイパーグラフニューラルネットワークである。
論文 参考訳(メタデータ) (2023-06-05T16:50:34Z) - Tensorized Hypergraph Neural Networks [69.65385474777031]
我々は,新しいアジャケーシテンソルベースのtextbfTensorized textbfHypergraph textbfNeural textbfNetwork (THNN) を提案する。
THNNは高次外装機能パッシングメッセージを通じて、忠実なハイパーグラフモデリングフレームワークである。
3次元視覚オブジェクト分類のための2つの広く使われているハイパーグラフデータセットの実験結果から、モデルの有望な性能を示す。
論文 参考訳(メタデータ) (2023-06-05T03:26:06Z) - Equivariant Hypergraph Diffusion Neural Operators [81.32770440890303]
ハイパーグラフを符号化するためにニューラルネットワークを使用するハイパーグラフニューラルネットワーク(HNN)は、データの高次関係をモデル化する有望な方法を提供する。
本研究ではED-HNNと呼ばれる新しいHNNアーキテクチャを提案する。
実世界の9つのハイパーグラフデータセットのノード分類におけるED-HNNの評価を行った。
論文 参考訳(メタデータ) (2022-07-14T06:17:00Z) - Learnable Hypergraph Laplacian for Hypergraph Learning [34.28748027233654]
HyperGraph Convolutional Neural Networks (HGCNN) は、グラフ構造化データに保存された高次関係をモデル化する可能性を示した。
我々はHypERgrAph Laplacian aDaptor(HERALD)と呼ばれる適応的なハイパーグラフ構造を構築するための最初の学習ベース手法を提案する。
HERALDは、ハイパーノードとハイパーエッジの隣接関係をエンドツーエンドで適応的に最適化し、タスク認識ハイパーグラフを学習する。
論文 参考訳(メタデータ) (2021-06-12T02:07:07Z) - Residual Enhanced Multi-Hypergraph Neural Network [26.42547421121713]
HyperGraph Neural Network (HGNN) はハイパーグラフ表現学習のためのデファクト手法である。
本稿では,各ハイパーグラフからのマルチモーダル情報を効果的に融合できるResidual enhanced Multi-Hypergraph Neural Networkを提案する。
論文 参考訳(メタデータ) (2021-05-02T14:53:32Z) - Multiplex Bipartite Network Embedding using Dual Hypergraph
Convolutional Networks [16.62391694987056]
非監視のデュアルグラフ畳み込みネットワーク(DualHGCN)モデルを開発し、マルチプレックスバイパートネットワークを2組の均質ハイパーグラフに変換します。
リンク予測とノード分類タスクの4つの実世界のデータセットを用いてDualHGCNをベンチマークする。
論文 参考訳(メタデータ) (2021-02-12T07:20:36Z) - Towards Deeper Graph Neural Networks with Differentiable Group
Normalization [61.20639338417576]
グラフニューラルネットワーク(GNN)は、隣接するノードを集約することでノードの表現を学習する。
オーバースムーシングは、レイヤーの数が増えるにつれてGNNのパフォーマンスが制限される重要な問題のひとつです。
2つのオーバースムースなメトリクスと新しいテクニック、すなわち微分可能群正規化(DGN)を導入する。
論文 参考訳(メタデータ) (2020-06-12T07:18:02Z)
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。