論文の概要: Effective Edge-wise Representation Learning in Edge-Attributed Bipartite Graphs
- arxiv url: http://arxiv.org/abs/2406.13369v1
- Date: Wed, 19 Jun 2024 09:11:03 GMT
- ステータス: 処理完了
- システム内更新日: 2024-06-21 20:22:37.769182
- Title: Effective Edge-wise Representation Learning in Edge-Attributed Bipartite Graphs
- Title（参考訳）: エッジ分散二部グラフにおけるエッジワイド表現学習
- Authors: Hewen Wang, Renchi Yang, Xiaokui Xiao,
- Abstract要約: 本稿では,エッジ分散二部グラフ(EABG)のためのグラフ表現学習法を提案する。
エッジの観点からの構造と属性のセマンティクスを取り入れ、AEBGにおける2つの異種ノード集合 U と V の別個の影響を考慮している。
APでは少なくとも38.11%、AUCでは1.86%を達成している。
- 参考スコア（独自算出の注目度）: 22.896511369954286
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Graph representation learning (GRL) is to encode graph elements into informative vector representations, which can be used in downstream tasks for analyzing graph-structured data and has seen extensive applications in various domains. However, the majority of extant studies on GRL are geared towards generating node representations, which cannot be readily employed to perform edge-based analytics tasks in edge-attributed bipartite graphs (EABGs) that pervade the real world, e.g., spam review detection in customer-product reviews and identifying fraudulent transactions in user-merchant networks. Compared to node-wise GRL, learning edge representations (ERL) on such graphs is challenging due to the need to incorporate the structure and attribute semantics from the perspective of edges while considering the separate influence of two heterogeneous node sets U and V in bipartite graphs. To our knowledge, despite its importance, limited research has been devoted to this frontier, and existing workarounds all suffer from sub-par results. Motivated by this, this paper designs EAGLE, an effective ERL method for EABGs. Building on an in-depth and rigorous theoretical analysis, we propose the factorized feature propagation (FFP) scheme for edge representations with adequate incorporation of long-range dependencies of edges/features without incurring tremendous computation overheads. We further ameliorate FFP as a dual-view FFP by taking into account the influences from nodes in U and V severally in ERL. Extensive experiments on 5 real datasets showcase the effectiveness of the proposed EAGLE models in semi-supervised edge classification tasks. In particular, EAGLE can attain a considerable gain of at most 38.11% in AP and 1.86% in AUC when compared to the best baselines.
- Abstract（参考訳）: グラフ表現学習(GRL)は、グラフ要素を情報ベクトル表現にエンコードすることであり、グラフ構造化データを解析するための下流タスクで使用できる。
しかし,既存のGRL研究の大部分はノード表現の生成に向けられているため,エッジ分散二部グラフ(EABG)におけるエッジベースの分析タスクの実行は容易には行えず,例えば,顧客製品レビューにおけるスパムレビューの検出やユーザ・マーチャントネットワークにおける不正取引の特定など,現実に浸透している。
ノードワイズGRLと比較して、これらのグラフ上の学習エッジ表現(ERL)は、二部グラフにおける2つの異種ノード集合 U と V の別々の影響を考慮しつつ、エッジの観点からの構造と属性のセマンティクスを組み込む必要があるため、困難である。
我々の知る限り、その重要性にもかかわらず、このフロンティアに限られた研究が注がれており、既存の回避策はすべてサブパールな結果に悩まされている。
そこで本論文は,ERL法であるERL法EAGLEを設計した。
深層・厳密な理論的解析に基づいて,エッジ/フィーチャーの長距離依存性を適切に組み込んだエッジ表現のための因子化特徴伝搬(FFP)方式を提案する。
さらに、ERLにおけるUとVのノードの影響を考慮し、FFPを二重ビューFFPとして改善する。
5つの実データセットに対する大規模な実験は、半教師付きエッジ分類タスクにおいて提案されたERGLEモデルの有効性を示す。
特に、ERGLEは、APでは少なくとも38.11%、AUCでは1.86%の大幅な上昇を達成できる。
関連論文リスト
- Against Multifaceted Graph Heterogeneity via Asymmetric Federated Prompt Learning [5.813912301780917]
本稿では,非対称なグラフ知識の伝達を効率的に行うためのフェデレートグラフプロンプト学習(FedGPL)フレームワークを提案する。
我々は,FedGPLの精度と有効性を示すため,理論解析と広範囲な実験を行った。
論文 参考訳（メタデータ） (2024-11-04T11:42:25Z) - Scalable Weibull Graph Attention Autoencoder for Modeling Document Networks [50.42343781348247]
解析条件後部を解析し,推論精度を向上させるグラフポアソン因子分析法(GPFA)を開発した。
また,GPFAを多層構造に拡張したグラフPoisson gamma belief Network (GPGBN) を用いて,階層的な文書関係を複数の意味レベルで捉える。
本モデルでは,高品質な階層型文書表現を抽出し,様々なグラフ解析タスクにおいて有望な性能を実現する。
論文 参考訳（メタデータ） (2024-10-13T02:22:14Z) - Amplify Graph Learning for Recommendation via Sparsity Completion [16.32861024767423]
グラフ学習モデルは、協調フィルタリング(CF)ベースのレコメンデーションシステムに広くデプロイされている。
データ疎度の問題により、元の入力のグラフ構造は潜在的な肯定的な嗜好エッジを欠いている。
AGL-SC(Amplify Graph Learning framework)を提案する。
論文 参考訳（メタデータ） (2024-06-27T08:26:20Z) - Breaking the Entanglement of Homophily and Heterophily in
Semi-supervised Node Classification [25.831508778029097]
統計的観点から,ノードプロファイルとトポロジの関係を定量化するAMUDを提案する。
また、AMUDのための新しい有向グラフ学習パラダイムとしてADPAを提案する。
論文 参考訳（メタデータ） (2023-12-07T07:54:11Z) - Challenging the Myth of Graph Collaborative Filtering: a Reasoned and Reproducibility-driven Analysis [50.972595036856035]
本稿では,6つの人気グラフと最近のグラフ推薦モデルの結果を再現するコードを提案する。
これらのグラフモデルと従来の協調フィルタリングモデルを比較する。
ユーザの近所からの情報フローを調べることにより,データセット構造における内在的特徴にどのようなモデルが影響するかを同定することを目的とする。
論文 参考訳（メタデータ） (2023-08-01T09:31:44Z) - BOURNE: Bootstrapped Self-supervised Learning Framework for Unified
Graph Anomaly Detection [50.26074811655596]
自己指導型自己学習(BOURNE)に基づく新しい統合グラフ異常検出フレームワークを提案する。
ノードとエッジ間のコンテキスト埋め込みを交換することで、ノードとエッジの異常を相互に検出できる。
BOURNEは、負のサンプリングを必要としないため、大きなグラフを扱う際の効率を高めることができる。
論文 参考訳（メタデータ） (2023-07-28T00:44:57Z) - Learning Strong Graph Neural Networks with Weak Information [64.64996100343602]
我々は、弱い情報(GLWI)を用いたグラフ学習問題に対する原則的アプローチを開発する。
非完全構造を持つ入力グラフ上で長距離情報伝搬を行うデュアルチャネルGNNフレームワークであるD$2$PTを提案するが、グローバルな意味的類似性を符号化するグローバルグラフも提案する。
論文 参考訳（メタデータ） (2023-05-29T04:51:09Z) - Improving Knowledge Graph Entity Alignment with Graph Augmentation [11.1094009195297]
異なる知識グラフ(KG)をまたいだ等価エンティティをリンクするエンティティアライメント(EA)は、知識融合において重要な役割を果たす。
近年、グラフニューラルネットワーク(GNN)は、多くの埋め込みベースのEA手法でうまく適用されている。
グラフの強化により、マージンベースのアライメント学習とコントラッシブなエンティティ表現学習のための2つのグラフビューを作成する。
論文 参考訳（メタデータ） (2023-04-28T01:22:47Z) - GraphCoCo: Graph Complementary Contrastive Learning [65.89743197355722]
グラフコントラスト学習(GCL)は、手作業によるアノテーションの監督なしに、グラフ表現学習(GRL)において有望な性能を示した。
本稿では,この課題に対処するため,グラフココというグラフ補完型コントラスト学習手法を提案する。
論文 参考訳（メタデータ） (2022-03-24T02:58:36Z) - On Representation Knowledge Distillation for Graph Neural Networks [15.82821940784549]
我々は,教師がグラフデータを埋め込む方法のグローバルなトポロジを保存することが,GNNにとってより効果的な蒸留目標になるかどうかを検討する。
1)グローバル構造保存損失(GSP)と(2)グラフコントラスト表現蒸留(G-CRD)の2つの新しい手法を提案する。
論文 参考訳（メタデータ） (2021-11-09T06:22:27Z) - Embedding Graph Auto-Encoder for Graph Clustering [90.8576971748142]
グラフ自動エンコーダ(GAE)モデルは、半教師付きグラフ畳み込みネットワーク(GCN)に基づく
我々は、グラフクラスタリングのための特定のGAEベースのモデルを設計し、その理論、すなわち、埋め込みグラフオートエンコーダ(EGAE)と整合する。
EGAEは1つのエンコーダと2つのデコーダで構成される。
論文 参考訳（メタデータ） (2020-02-20T09:53:28Z)
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。