Fugu-MT 論文翻訳(概要): Leveraging Multi-facet Paths for Heterogeneous Graph Representation Learning

論文の概要: Leveraging Multi-facet Paths for Heterogeneous Graph Representation Learning

arxiv url: http://arxiv.org/abs/2407.20648v1
Date: Tue, 30 Jul 2024 08:45:32 GMT
ステータス: 処理完了
システム内更新日: 2024-07-31 17:59:37.422031
Title: Leveraging Multi-facet Paths for Heterogeneous Graph Representation Learning
Title（参考訳）: 不均一グラフ表現学習のための多面パスの活用
Authors: JongWoo Kim, SeongYeub Chu, HyeongMin Park, Bryan Wong, MunYong Yi,
Abstract要約: MF2Vecは、事前に定義されたメタパスの代わりに、多面的(きめ細かい)パスを使用するモデルである。この方法はノードとその関係の多様な側面を学習し、均質なネットワークを構築し、分類、リンク予測、クラスタリングのためのノード埋め込みを生成する。
参考スコア（独自算出の注目度）: 2.603958690885184
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Recent advancements in graph neural networks (GNNs) and heterogeneous GNNs (HGNNs) have advanced node embeddings and relationship learning for various tasks. However, existing methods often rely on domain-specific predefined meta-paths, which are coarse-grained and focus solely on aspects like node type, limiting their ability to capture complex interactions. We introduce MF2Vec, a model that uses multi-faceted (fine-grained) paths instead of predefined meta-paths. MF2Vec extracts paths via random walks and generates multi-faceted vectors, ignoring predefined schemas. This method learns diverse aspects of nodes and their relationships, constructs a homogeneous network, and creates node embeddings for classification, link prediction, and clustering. Extensive experiments show that MF2Vec outperforms existing methods, offering a more flexible and comprehensive framework for analyzing complex networks. The code is available at https://anonymous.4open.science/r/MF2Vec-6ABC.
Abstract（参考訳）: グラフニューラルネットワーク(GNN)と異種GNN(HGNN)の最近の進歩は、様々なタスクのための高度なノード埋め込みと関係学習をもたらしている。しかし、既存のメソッドは、しばしばドメイン固有の定義済みのメタパスに依存し、それは粗い粒度であり、ノードタイプのようなアスペクトにのみ焦点を合わせ、複雑なインタラクションをキャプチャする能力を制限する。 MF2Vecは、事前に定義されたメタパスの代わりに、多面的(きめ細かい)パスを使用するモデルである。 MF2Vecはランダムウォークを介してパスを抽出し、予め定義されたスキーマを無視した多面ベクトルを生成する。この方法はノードとその関係の多様な側面を学習し、均質なネットワークを構築し、分類、リンク予測、クラスタリングのためのノード埋め込みを生成する。大規模な実験により、MF2Vecは既存の手法よりも優れており、複雑なネットワークを解析するためのより柔軟で包括的なフレームワークを提供する。コードはhttps://anonymous.4open.science/r/MF2Vec-6ABCで公開されている。

関連論文リスト

Discovering Message Passing Hierarchies for Mesh-Based Physics Simulation [61.89682310797067]
DHMPを導入し,異なるノード選択手法を用いてメッセージパッシングネットワークの動的階層を学習する。本実験はDHMPの有効性を実証し,近年の固定階層型メッセージパッシングネットワークと比較して平均22.7%改善した。
論文参考訳（メタデータ） (2024-10-03T15:18:00Z)
HAGNN: Hybrid Aggregation for Heterogeneous Graph Neural Networks [15.22198175691658]
異種グラフニューラルネットワーク(GNN)は異種グラフの処理に成功している。近年の研究では、メタパスを持たない単純な同質グラフモデルでも同等の結果が得られることが指摘されている。ヘテロジニアスグラフにおけるリッチな型意味情報(HAGNN)を包括的に活用するための新しいフレームワークを提案する。
論文参考訳（メタデータ） (2023-07-04T10:40:20Z)
Heterogeneous Graph Tree Networks [8.50892442127182]
異種グラフニューラルネットワーク(HGNN)は近年,研究の関心が高まっている。 1つのクラスはメタパスベースのHGNNで、メタパスをハンドクラフトするためにドメイン知識を必要とするか、メタパスを自動的に構築するために大量の時間とメモリを消費する。 HetGTCN(Heterogeneous Graph Tree Convolutional Network)とHetGTAN(Hetogeneous Graph Tree Attention Network)の2つのモデルを提案する。
論文参考訳（メタデータ） (2022-09-01T17:22:01Z)
HybridGNN: Learning Hybrid Representation in Multiplex Heterogeneous Networks [26.549559266395775]
本稿では,ハイブリッドアグリゲーションフローと階層的アテンションを備えたエンドツーエンドグラフニューラルネットワークモデルであるHybridGNNを提案する。以上の結果から,HybridGNNはいくつかの最先端ベースラインと比較して最高の性能を示す。
論文参考訳（メタデータ） (2022-08-03T13:39:47Z)
SHGNN: Structure-Aware Heterogeneous Graph Neural Network [77.78459918119536]
本稿では、上記の制約に対処する構造対応不均一グラフニューラルネットワーク(SHGNN)を提案する。まず,メタパス内の中間ノードの局所構造情報を取得するために,特徴伝搬モジュールを利用する。次に、ツリーアテンションアグリゲータを使用して、グラフ構造情報をメタパス上のアグリゲーションモジュールに組み込む。最後に、メタパスアグリゲータを利用して、異なるメタパスから集約された情報を融合する。
論文参考訳（メタデータ） (2021-12-12T14:18:18Z)
Higher-Order Attribute-Enhancing Heterogeneous Graph Neural Networks [67.25782890241496]
異種ネットワーク表現学習のための高次属性強化グラフニューラルネットワーク(HAEGNN)を提案する。 HAEGNNは、リッチで異質なセマンティクスのためのメタパスとメタグラフを同時に組み込む。ノード分類、ノードクラスタリング、可視化における最先端の手法よりも優れたパフォーマンスを示す。
論文参考訳（メタデータ） (2021-04-16T04:56:38Z)
Meta-Path-Free Representation Learning on Heterogeneous Networks [5.106061955284303]
異種ネットワーク,すなわち異種グラフ畳み込みネットワーク(HCN)におけるメタパス自由表現学習を提案する。提案手法は異種を融合させ、$k$-strataアルゴリズム($k$は整数)を開発し、$k$-hopの構造的および意味的情報をキャプチャする。実験の結果,提案手法は様々な解析課題において,現在の最先端手法よりも有意に優れていた。
論文参考訳（メタデータ） (2021-02-16T12:37:38Z)
A Multi-Semantic Metapath Model for Large Scale Heterogeneous Network Representation Learning [52.83948119677194]
大規模不均一表現学習のためのマルチセマンティックメタパス(MSM)モデルを提案する。具体的には,マルチセマンティックなメタパスに基づくランダムウォークを生成し,不均衡な分布を扱うヘテロジニアスな近傍を構築する。提案するフレームワークに対して,AmazonとAlibabaの2つの挑戦的なデータセットに対して,体系的な評価を行う。
論文参考訳（メタデータ） (2020-07-19T22:50:20Z)
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)
Unsupervised Differentiable Multi-aspect Network Embedding [52.981277420394846]
本稿では,asp2vecと呼ばれるマルチアスペクトネットワーク埋め込みのための新しいエンドツーエンドフレームワークを提案する。提案するフレームワークは容易に異種ネットワークに拡張できる。
論文参考訳（メタデータ） (2020-06-07T19:26:20Z)
MAGNN: Metapath Aggregated Graph Neural Network for Heterogeneous Graph Embedding [36.6390478350677]
本稿では,Metapath Aggregated Graph Neural Network (MAGNN) と呼ばれる新しいモデルを提案する。 MAGNNは、入力ノード属性をカプセル化するノードコンテンツ変換、中間的なセマンティックノードを組み込むMetapath内アグリゲーション、複数のメタパスからのメッセージを統合するMetapath間アグリゲーションという3つの主要なコンポーネントを使用している。実験により、MAGNNは最先端のベースラインよりも正確な予測結果が得られることが示された。
論文参考訳（メタデータ） (2020-02-05T08:21:00Z)

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。