論文の概要: Optimizing Long-tailed Link Prediction in Graph Neural Networks through Structure Representation Enhancement
- arxiv url: http://arxiv.org/abs/2407.20499v1
- Date: Tue, 30 Jul 2024 02:20:38 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-31 18:28:58.142929
- Title: Optimizing Long-tailed Link Prediction in Graph Neural Networks through Structure Representation Enhancement
- Title（参考訳）: 構造表現の強化によるグラフニューラルネットワークのロングテールリンク予測の最適化
- Authors: Yakun Wang, Daixin Wang, Hongrui Liu, Binbin Hu, Yingcui Yan, Qiyang Zhang, Zhiqiang Zhang,
- Abstract要約: リンク予測はグラフニューラルネットワーク(GNN)の基本課題である
近年の研究では, 疎結合による低次ノードの低次ノード性能が明らかにされている。
本稿では,リンク予測におけるテールノードペアの性能向上を目的とした,Long-tailed framework(LTLP)を提案する。
- 参考スコア（独自算出の注目度）: 10.391984756322433
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Link prediction, as a fundamental task for graph neural networks (GNNs), has boasted significant progress in varied domains. Its success is typically influenced by the expressive power of node representation, but recent developments reveal the inferior performance of low-degree nodes owing to their sparse neighbor connections, known as the degree-based long-tailed problem. Will the degree-based long-tailed distribution similarly constrain the efficacy of GNNs on link prediction? Unexpectedly, our study reveals that only a mild correlation exists between node degree and predictive accuracy, and more importantly, the number of common neighbors between node pairs exhibits a strong correlation with accuracy. Considering node pairs with less common neighbors, i.e., tail node pairs, make up a substantial fraction of the dataset but achieve worse performance, we propose that link prediction also faces the long-tailed problem. Therefore, link prediction of GNNs is greatly hindered by the tail node pairs. After knowing the weakness of link prediction, a natural question is how can we eliminate the negative effects of the skewed long-tailed distribution on common neighbors so as to improve the performance of link prediction? Towards this end, we introduce our long-tailed framework (LTLP), which is designed to enhance the performance of tail node pairs on link prediction by increasing common neighbors. Two key modules in LTLP respectively supplement high-quality edges for tail node pairs and enforce representational alignment between head and tail node pairs within the same category, thereby improving the performance of tail node pairs.
- Abstract（参考訳）: グラフニューラルネットワーク(GNN)の基本課題であるリンク予測は、さまざまな領域において大きな進歩を遂げている。
その成功は一般にノード表現の表現力に影響されるが、近年の進歩は、その疎い隣り合う接続により、次数ベース長尾問題として知られる低次ノードの性能が劣っていることを示している。
次数に基づく長尾分布は、リンク予測におけるGNNの有効性をも同様に制限するのだろうか?
予期せぬ結果,ノードの次数と予測精度の間には軽度な相関しか存在しないことが判明し,さらに重要な点として,ノード間の共通近傍の数は精度と強い相関関係を示す。
あまり一般的でない近傍のノードペア、すなわちテールノードペアは、データセットのかなりの部分を占めるが、性能は悪く、リンク予測も長い尾の問題に直面していると提案する。
したがって、GNNのリンク予測はテールノードペアによって大きく妨げられる。
リンク予測の弱点を知った後、リンク予測の性能を向上させるために、スクイード長尾分布の悪影響をどうやって排除できるのかという自然の疑問が持ち上がった。
この目的のために,リンク予測におけるテールノードペアの性能向上を目的としたLong-tailed framework(LTLP)を導入する。
LTLPの2つのキーモジュールは、それぞれ尾ノードペアの高品質なエッジを補完し、頭と尾ノードペア間の表現的アライメントを同じカテゴリ内で実施することにより、尾ノードペアのパフォーマンスを向上させる。
関連論文リスト
- A Hybrid Supervised and Self-Supervised Graph Neural Network for Edge-Centric Applications [0.0]
本稿では,2つのノード間の関係(エッジ中心タスク)を含むタスクを対象とした,グラフに基づく新しいディープラーニングモデルを提案する。
このモデルは教師付き学習と自己教師型学習を組み合わせ、学習した埋め込みとパターンが真実と無関係に学習される損失関数を考慮に入れている。
実験により、タンパク質間相互作用予測と遺伝子オントロジー(GO)用語予測の既存の手法と一致するか、超えるかを示す。
論文 参考訳（メタデータ） (2025-01-21T17:26:15Z) - Attribute-Enhanced Similarity Ranking for Sparse Link Prediction [6.774952925054741]
グラフニューラルネットワーク(GNN)がリンク予測の主要なフレームワークとなっている。
本稿では,リンク予測におけるGNNの性能が,より現実的な不均衡設定に反映されないことを示す。
実験により,類似性に基づくリンク予測手法であるGelatoが,既存のGNNベースの代替よりも優れていることが示された。
論文 参考訳（メタデータ） (2024-11-29T21:22:35Z) - Can GNNs Learn Link Heuristics? A Concise Review and Evaluation of Link Prediction Methods [16.428742189544955]
本稿では,リンク予測のための各種情報学習におけるグラフニューラルネットワーク(GNN)の機能について検討する。
解析の結果,GNNは2つのノード間の共通隣接点数に関する構造情報を効果的に学習できないことがわかった。
また、トレーニング可能なノード埋め込みにより、GNNベースのリンク予測モデルの性能が向上することを示す。
論文 参考訳（メタデータ） (2024-11-22T03:38:20Z) - Efficient Link Prediction via GNN Layers Induced by Negative Sampling [86.87385758192566]
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。
本稿では,新しいGNNアーキテクチャを提案する。このアーキテクチャでは,Emphforwardパスは,Emphboth陽性(典型的)と負陰性(アプローチに共通)のエッジに明示的に依存する。
これは、埋め込み自体を、正と負のサンプルの分離を好むフォワードパス特異的エネルギー関数の最小化子として再キャストすることで達成される。
論文 参考訳（メタデータ） (2023-10-14T07:02:54Z) - A Topological Perspective on Demystifying GNN-Based Link Prediction
Performance [72.06314265776683]
トポロジカル濃度 (TC) は、各ノードの局所部分グラフと隣人の部分グラフの交点に基づいている。
また,TCLは,次数や部分グラフ密度などの他のノードレベルのトポロジ指標よりもLP性能と高い相関性を示した。
我々は, 近似トポロジカル濃度 (ATC) を提案し, 理論的・経験的にTC近似の有効性を正当化し, 複雑さを低減させる。
論文 参考訳（メタデータ） (2023-10-06T22:07:49Z) - Structural Imbalance Aware Graph Augmentation Learning [2.793446335600599]
グラフはしばしば構造的に不均衡であり、いくつかのハブノードだけがより密な局所構造を持ち、より強い影響を持つ。
本稿では,この問題を解決するために,選択的グラフ拡張法(SAug)を提案する。
大規模な実験により、SAugはバックボーンのGNNを大幅に改善し、競合他社よりも優れたパフォーマンスを達成できることが示された。
論文 参考訳（メタデータ） (2023-03-24T02:13:32Z) - Exploiting Neighbor Effect: Conv-Agnostic GNNs Framework for Graphs with
Heterophily [58.76759997223951]
我々はフォン・ノイマンエントロピーに基づく新しい計量を提案し、GNNのヘテロフィリー問題を再検討する。
また、異種データセット上でのほとんどのGNNの性能を高めるために、Conv-Agnostic GNNフレームワーク(CAGNN)を提案する。
論文 参考訳（メタデータ） (2022-03-19T14:26:43Z) - CatGCN: Graph Convolutional Networks with Categorical Node Features [99.555850712725]
CatGCNはグラフ学習に適したノード機能である。
エンドツーエンドでCatGCNを訓練し、半教師付きノード分類でそれを実証する。
論文 参考訳（メタデータ） (2020-09-11T09:25:17Z) - 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) - Bilinear Graph Neural Network with Neighbor Interactions [106.80781016591577]
グラフニューラルネットワーク(GNN)は,グラフデータ上で表現を学習し,予測を行う強力なモデルである。
本稿では,グラフ畳み込み演算子を提案し,隣接するノードの表現の対の相互作用で重み付け和を増大させる。
このフレームワークをBGNN(Bilinear Graph Neural Network)と呼び、隣ノード間の双方向相互作用によるGNN表現能力を向上させる。
論文 参考訳（メタデータ） (2020-02-10T06:43:38Z)
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。