論文の概要: DUPLEX: Dual GAT for Complex Embedding of Directed Graphs

• arxiv url: http://arxiv.org/abs/2406.05391v2
• Date: Fri, 19 Jul 2024 12:04:29 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-22 23:08:01.239717
• Title: DUPLEX: Dual GAT for Complex Embedding of Directed Graphs
• Title（参考訳）: DUPLEX: 方向性グラフの複合埋め込みのためのデュアルGAT
• Authors: Zhaoru Ke, Hang Yu, Jianguo Li, Haipeng Zhang,
• Abstract要約: 現在の有向グラフ埋め込み法は、非有向技術に基づいて構築されるが、しばしば有向エッジ情報を不適切にキャプチャする。 有向グラフの複雑な埋め込みのための帰納的フレームワークであるDUPlexを提案する。 DUPlexは、特に疎結合なノードにおいて、最先端モデルよりも優れている。
• 参考スコア（独自算出の注目度）: 17.84142263305169
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Current directed graph embedding methods build upon undirected techniques but often inadequately capture directed edge information, leading to challenges such as: (1) Suboptimal representations for nodes with low in/out-degrees, due to the insufficient neighbor interactions; (2) Limited inductive ability for representing new nodes post-training; (3) Narrow generalizability, as training is overly coupled with specific tasks. In response, we propose DUPLEX, an inductive framework for complex embeddings of directed graphs. It (1) leverages Hermitian adjacency matrix decomposition for comprehensive neighbor integration, (2) employs a dual GAT encoder for directional neighbor modeling, and (3) features two parameter-free decoders to decouple training from particular tasks. DUPLEX outperforms state-of-the-art models, especially for nodes with sparse connectivity, and demonstrates robust inductive capability and adaptability across various tasks. The code is available at https://github.com/alipay/DUPLEX.
• Abstract（参考訳）: 現在の有向グラフ埋め込み手法は,非指向的手法に基づいて構築されているが,多くの場合,有向エッジ情報の取得が不十分なため,(1)隣り合わせの相互作用が不十分なノードに対する最適部分表現,(2)新しいノードの訓練後表現の限定的帰納的能力,(3)訓練が特定のタスクと過度に結合された狭い一般化性など,課題が生じる。 そこで本研究では,有向グラフの複雑な埋め込みのための帰納的フレームワークであるDUPLEXを提案する。 本手法は,(1)Hermitian adjacency matrix decompositionを総合的な隣り合わせ積分に利用し,(2)指向性隣り合わせモデリングに2つのGATエンコーダを使用し,(3)パラメータフリーデコーダを2つ備えて,特定のタスクからトレーニングを分離する。 DUPLEXは、特に疎結合なノードにおいて、最先端モデルよりも優れており、様々なタスクにまたがる堅牢なインダクティブ能力と適応性を示している。 コードはhttps://github.com/alipay/DUPLEX.comで入手できる。

関連論文リスト

• HG-Adapter: Improving Pre-Trained Heterogeneous Graph Neural Networks with Dual Adapters [53.97380482341493]
  事前学習, 即時学習」は, 事前学習したヘテロジニアスグラフニューラルネットワーク(HGNN)のチューニング性能を示す。 本稿では、2つの新しいアダプタと潜在的ラベル付きデータ拡張を組み合わせた統合フレームワークを提案し、事前学習されたHGNNモデルの一般化を改善する。
  論文  参考訳（メタデータ） (2024-11-02T06:43:54Z)
• InstructG2I: Synthesizing Images from Multimodal Attributed Graphs [50.852150521561676]
  InstructG2Iと呼ばれるグラフ文脈条件拡散モデルを提案する。 InstructG2Iはまずグラフ構造とマルチモーダル情報を利用して情報的隣人サンプリングを行う。 Graph-QFormerエンコーダは、グラフノードをグラフプロンプトの補助セットに適応的に符号化し、デノナイジングプロセスを導く。
  論文  参考訳（メタデータ） (2024-10-09T17:56:15Z)
• Bigraph Matching Weighted with Learnt Incentive Function for Multi-Robot Task Allocation [5.248564173595024]
  本稿では,マルチロボットタスクアロケーションに対する二部グラフマッチング手法の堅牢性やインセンティブを学習するためのグラフ強化学習フレームワークを開発する。 GRL誘導インセンティブを付加したこの新しい複グラフマッチング手法の性能は,元の複グラフマッチング手法と同等であることがわかった。
  論文  参考訳（メタデータ） (2024-03-11T19:55:08Z)
• Co-guiding for Multi-intent Spoken Language Understanding [53.30511968323911]
  本稿では,2つのタスク間の相互指導を実現するための2段階のフレームワークを実装した,コガイドネットと呼ばれる新しいモデルを提案する。 第1段階では,単一タスクによる教師付きコントラスト学習を提案し,第2段階ではコガイドによる教師付きコントラスト学習を提案する。 マルチインテリジェントSLU実験の結果,我々のモデルは既存のモデルよりも大きなマージンで優れていることがわかった。
  論文  参考訳（メタデータ） (2023-11-22T08:06:22Z)
• Efficient Link Prediction via GNN Layers Induced by Negative Sampling [92.05291395292537]
  リンク予測のためのグラフニューラルネットワーク(GNN)は、緩やかに2つの広いカテゴリに分けられる。 まず、Emphnode-wiseアーキテクチャは各ノードの個別の埋め込みをプリコンパイルし、後に単純なデコーダで結合して予測を行う。 第二に、エンフェッジワイド法は、ペアワイド関係の表現を強化するために、エッジ固有のサブグラフ埋め込みの形成に依存している。
  論文  参考訳（メタデータ） (2023-10-14T07:02:54Z)
• Graph Representation Learning Beyond Node and Homophily [2.8417100723094357]
  本稿では2つのノードを用いた新しい教師なしグラフ埋め込み手法であるPairEを提案する。 マルチセルフ教師付きオートエンコーダは、2つのプリテキストタスクを満たすように設計されている: 1つは高周波信号をより良く保持し、もう1つは共通性の表現を強化する。 実験の結果,PairEは教師なしの最先端のベースラインよりも優れていた。
  論文  参考訳（メタデータ） (2022-03-03T08:27:09Z)
• 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)
• Pair-view Unsupervised Graph Representation Learning [2.8650714782703366]
  低次元グラフ埋め込みは、大きなグラフのさまざまな下流タスクで非常に有用であることが証明されています。 本稿では,グラフ埋め込みのコアとして "ノード" よりも高いレベルの単位である "ペア" を使用するソリューションである PairE を提案する。 実験の結果、PairEは4つの下流タスクのベースラインの状態を一貫して上回っていることがわかった。
  論文  参考訳（メタデータ） (2020-12-11T04:09:47Z)
• Inductive Link Prediction for Nodes Having Only Attribute Information [21.714834749122137]
  属性グラフでは、構造情報と属性情報の両方をリンク予測に利用することができる。 2つのノード埋め込みエンコーダと1つのアライメント機構からなるDEALモデルを提案する。 提案手法は,既存のインダクティブリンク予測手法よりも優れ,また,トランスダクティブリンク予測における最先端手法よりも優れる。
  論文  参考訳（メタデータ） (2020-07-16T00:51:51Z)
• Interpretable Deep Graph Generation with Node-Edge Co-Disentanglement [55.2456981313287]
  本稿では,属性グラフの深部生成モデルのための新しいアンタングルメント拡張フレームワークを提案する。 ノードとエッジのデコンボリューションのための新しいアーキテクチャを用いて、上記の3種類の潜伏因子を解離する新しい変分的目的を提案する。 各タイプ内では、画像の既存のフレームワークの一般化が示され、個々の因子のゆがみがさらに強化される。
  論文  参考訳（メタデータ） (2020-06-09T16:33:49Z)
• Dual Graph Representation Learning [20.03747654879028]
  グラフ表現学習は、ノードを低次元ベクトルとして大きなグラフに埋め込む。 我々は、ノードの表現を生成するために、コンテキスト対応の教師なし二重符号化フレームワーク textbfCADE を提案する。
  論文  参考訳（メタデータ） (2020-02-25T04:50:17Z)

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。