論文の概要: Heterogeneous Graph Generation: A Hierarchical Approach using Node Feature Pooling

• arxiv url: http://arxiv.org/abs/2410.11972v1
• Date: Tue, 15 Oct 2024 18:23:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-17 13:41:01.950372
• Title: Heterogeneous Graph Generation: A Hierarchical Approach using Node Feature Pooling
• Title（参考訳）: ヘテロジニアスグラフ生成:ノード特徴プーリングを用いた階層的アプローチ
• Authors: Hritaban Ghosh, Chen Changyu, Arunesh Sinha, Shamik Sural,
• Abstract要約: 不均一グラフは、ソーシャルネットワーク、レコメンデーションシステム、生物学的ネットワークなど、様々な領域に存在している。 本稿では,2相階層構造を用いた異種グラフ生成の課題について考察する。 判別器を使用してジェネレータのトレーニングをガイドし、ノード特徴プールから特徴ベクトルをサンプリングする。
• 参考スコア（独自算出の注目度）: 11.082657770873876
• License:
• Abstract: Heterogeneous graphs are present in various domains, such as social networks, recommendation systems, and biological networks. Unlike homogeneous graphs, heterogeneous graphs consist of multiple types of nodes and edges, each representing different entities and relationships. Generating realistic heterogeneous graphs that capture the complex interactions among diverse entities is a difficult task due to several reasons. The generator has to model both the node type distribution along with the feature distribution for each node type. In this paper, we look into solving challenges in heterogeneous graph generation, by employing a two phase hierarchical structure, wherein the first phase creates a skeleton graph with node types using a prior diffusion based model and in the second phase, we use an encoder and a sampler structure as generator to assign node type specific features to the nodes. A discriminator is used to guide training of the generator and feature vectors are sampled from a node feature pool. We conduct extensive experiments with subsets of IMDB and DBLP datasets to show the effectiveness of our method and also the need for various architecture components.
• Abstract（参考訳）: 不均一グラフは、ソーシャルネットワーク、レコメンデーションシステム、生物学的ネットワークなど、様々な領域に存在している。 等質グラフとは異なり、異質グラフは複数の種類のノードとエッジから構成され、それぞれが異なる実体と関係を表す。 多様な実体間の複雑な相互作用をキャプチャする現実的な異種グラフを生成することは、いくつかの理由から難しい課題である。 ジェネレータは、ノードタイプの分布と各ノードタイプの特徴分布の両方をモデル化する必要がある。 本稿では,2相階層構造を用い,第1相は先行拡散モデルを用いてノード型のスケルトングラフを生成し,第2相はエンコーダとサンプル構造を用いてノードタイプ固有の特徴をノードに割り当てる。 判別器を使用してジェネレータのトレーニングをガイドし、ノード特徴プールから特徴ベクトルをサンプリングする。 IMDBおよびDBLPデータセットのサブセットを用いて広範囲にわたる実験を行い、本手法の有効性と各種アーキテクチャコンポーネントの必要性を示す。

関連論文リスト

• Seq-HGNN: Learning Sequential Node Representation on Heterogeneous Graph [57.2953563124339]
  本稿では,シーケンシャルノード表現,すなわちSeq-HGNNを用いた新しい異種グラフニューラルネットワークを提案する。 Heterogeneous Graph Benchmark (HGB) と Open Graph Benchmark (OGB) の4つの広く使われているデータセットについて広範な実験を行った。
  論文  参考訳（メタデータ） (2023-05-18T07:27:18Z)
• GrannGAN: Graph annotation generative adversarial networks [72.66289932625742]
  本稿では,高次元分布をモデル化し,グラフスケルトンと整合した複雑な関係特徴構造を持つデータの新しい例を生成することの問題点を考察する。 提案するモデルは,タスクを2つのフェーズに分割することで,各データポイントのグラフ構造に制約されたデータ特徴を生成する問題に対処する。 第一に、与えられたグラフのノードに関連する機能の分布をモデル化し、第二に、ノードのフィーチャに条件付きでエッジ機能を補完する。
  論文  参考訳（メタデータ） (2022-12-01T11:49:07Z)
• 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)
• Graph Neural Networks with Feature and Structure Aware Random Walk [7.143879014059894]
  典型的な好適なグラフでは、エッジを指向する可能性があり、エッジをそのまま扱うか、あるいは単純に非指向にするかは、GNNモデルの性能に大きな影響を与える。 そこで我々は,グラフの方向性を適応的に学習するモデルを開発し,ノード間の長距離相関を生かした。
  論文  参考訳（メタデータ） (2021-11-19T08:54:21Z)
• HMSG: Heterogeneous Graph Neural Network based on Metapath Subgraph Learning [2.096172374930129]
  我々はHMSGという新しい異種グラフニューラルネットワークモデルを提案する。 異種グラフを複数の部分グラフに分解する。 各サブグラフは、特定の意味情報と構造情報を関連付ける。 タイプ固有の属性変換を通じて、ノード属性を異なるタイプのノード間で転送することもできる。
  論文  参考訳（メタデータ） (2021-09-07T05:02:59Z)
• Reasoning Graph Networks for Kinship Verification: from Star-shaped to Hierarchical [85.0376670244522]
  階層型推論グラフネットワークの学習による顔の親和性検証の問題点について検討する。 より強力で柔軟なキャパシティを利用するために,星型推論グラフネットワーク(S-RGN)を開発した。 また、より強力で柔軟なキャパシティを利用する階層型推論グラフネットワーク(H-RGN)も開発しています。
  論文  参考訳（メタデータ） (2021-09-06T03:16:56Z)
• Explicit Pairwise Factorized Graph Neural Network for Semi-Supervised Node Classification [59.06717774425588]
  本稿では,グラフ全体を部分的に観測されたマルコフ確率場としてモデル化するEPFGNN(Explicit Pairwise Factorized Graph Neural Network)を提案する。 出力-出力関係をモデル化するための明示的なペアワイズ要素を含み、入力-出力関係をモデル化するためにGNNバックボーンを使用する。 本研究では,グラフ上での半教師付きノード分類の性能を効果的に向上できることを示す。
  論文  参考訳（メタデータ） (2021-07-27T19:47:53Z)
• Het-node2vec: second order random walk sampling for heterogeneous multigraphs embedding [0.9084022224205381]
  Het-node2vecは、異種グラフを埋め込むノード2vecアルゴリズムの拡張である。 我々はHet-node2vecがノードラベルおよびエッジ予測タスクにおける異種グラフの最先端手法に対して同等あるいは優れた性能を達成することを示す。
  論文  参考訳（メタデータ） (2021-01-05T09:38:02Z)
• Tree Structure-Aware Graph Representation Learning via Integrated Hierarchical Aggregation and Relational Metric Learning [26.8738194817491]
  グラフ表現学習のための木構造対応グラフニューラルネットワークモデルT-GNNを提案する。 提案するT-GNNは,(1)階層型集約モジュールと(2)関係計量学習モジュールの2つのモジュールから構成される。
  論文  参考訳（メタデータ） (2020-08-23T09:41:19Z)
• Heterogeneous Graph Neural Networks for Malicious Account Detection [64.0046412312209]
  GEMは、悪意のあるアカウントを検出するための、最初の異種グラフニューラルネットワークである。 我々は、デバイス集約とアクティビティ集約という2つの基本的な弱点に基づいて、異種アカウントデバイスグラフから差別的埋め込みを学習する。 実験により、我々のアプローチは、時間とともに競合する手法と比較して、常に有望な結果が得られることが示された。
  論文  参考訳（メタデータ） (2020-02-27T18:26:44Z)

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。