論文の概要: GIG: Graph Data Imputation With Graph Differential Dependencies

• arxiv url: http://arxiv.org/abs/2410.15747v1
• Date: Mon, 21 Oct 2024 08:04:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-22 13:12:40.957430
• Title: GIG: Graph Data Imputation With Graph Differential Dependencies
• Title（参考訳）: GIG:グラフの差分依存によるグラフデータインプット
• Authors: Jiang Hua, Michael Bewong, Selasi Kwashie, MD Geaur Rahman, Junwei Hu, Xi Guo, Zaiwen Fen,
• Abstract要約: グラフ差分依存(GDD)に依存するGIGと呼ばれるグラフデータ計算手法を提案する。 GDDを活用することで、GIGはデータ計算プロセスに意味的な知識を取り込み、より信頼性と説明性を高めます。
• 参考スコア（独自算出の注目度）: 1.2153011009232366
• License:
• Abstract: Data imputation addresses the challenge of imputing missing values in database instances, ensuring consistency with the overall semantics of the dataset. Although several heuristics which rely on statistical methods, and ad-hoc rules have been proposed. These do not generalise well and often lack data context. Consequently, they also lack explainability. The existing techniques also mostly focus on the relational data context making them unsuitable for wider application contexts such as in graph data. In this paper, we propose a graph data imputation approach called GIG which relies on graph differential dependencies (GDDs). GIG, learns the GDDs from a given knowledge graph, and uses these rules to train a transformer model which then predicts the value of missing data within the graph. By leveraging GDDs, GIG incoporates semantic knowledge into the data imputation process making it more reliable and explainable. Experimental results on seven real-world datasets highlight GIG's effectiveness compared to existing state-of-the-art approaches.
• Abstract（参考訳）: データ計算は、データベースインスタンスの欠落した値を計算し、データセット全体のセマンティクスと整合性を確保するという課題に対処する。 統計手法やアドホックな規則に依存するいくつかのヒューリスティックが提案されている。 これらはよく一般化せず、しばしばデータコンテキストを欠いている。 そのため、説明性も欠如している。 既存のテクニックは、主にリレーショナルデータコンテキストに焦点を当てているので、グラフデータのようなより広いアプリケーションコンテキストには適さない。 本稿では,グラフ差分依存性(GDD)に依存するGIGと呼ばれるグラフデータ計算手法を提案する。 GIGは、与えられた知識グラフからGDDを学び、これらのルールを使用してトランスフォーマーモデルをトレーニングし、グラフ内の欠落データの価値を予測する。 GDDを活用することで、GIGはデータ計算プロセスに意味的な知識を取り込み、より信頼性と説明性を高めます。 7つの実世界のデータセットの実験結果は、既存の最先端のアプローチと比較して、GIGの有効性を強調している。

関連論文リスト

• DA-MoE: Addressing Depth-Sensitivity in Graph-Level Analysis through Mixture of Experts [70.21017141742763]
  グラフニューラルネットワーク(GNN)は、グラフ構造化データを処理することで人気を集めている。 既存のメソッドは通常、固定数のGNNレイヤを使用して、すべてのグラフの表現を生成する。 本稿では,GNNに2つの改良を加えたDA-MoE法を提案する。
  論文  参考訳（メタデータ） (2024-11-05T11:46:27Z)
• RAGraph: A General Retrieval-Augmented Graph Learning Framework [35.25522856244149]
  我々は、RAGraph(General Retrieval-Augmented Graph Learning)と呼ばれる新しいフレームワークを紹介する。 RAGraphは、一般的なグラフ基盤モデルに外部グラフデータを導入し、目に見えないシナリオにおけるモデルの一般化を改善する。 推論中、RAGraphは下流タスクにおける重要な類似性に基づいて、似たようなおもちゃのグラフを順応的に検索する。
  論文  参考訳（メタデータ） (2024-10-31T12:05:21Z)
• Revisiting, Benchmarking and Understanding Unsupervised Graph Domain Adaptation [31.106636947179005]
  教師なしグラフドメイン適応(Unsupervised Graph Domain Adaptation)は、ラベル豊富なソースグラフからラベルなしターゲットグラフへの知識の転送を含む。 GDABenchと呼ばれる教師なしグラフ領域適応のための最初の包括的なベンチマークを示す。 我々は、現在のUGDAモデルの性能がデータセットや適応シナリオによって大きく異なることを観察する。
  論文  参考訳（メタデータ） (2024-07-09T06:44:09Z)
• EXGC: Bridging Efficiency and Explainability in Graph Condensation [30.60535282372542]
  グラフ凝縮(GCond)は、大規模な実データセットをより簡潔で情報に富んだ合成グラフに蒸留するために導入された。 アクセラレーションの努力にもかかわらず、既存のGCondメソッドは主に効率、特に拡張Webデータグラフに適応する。 本稿では,効率を著しく向上し,説明可能性の注入が可能な,効率的かつeXplainable Graph Condensation法を提案する。
  論文  参考訳（メタデータ） (2024-02-05T06:03:38Z)
• Learnable Graph Matching: A Practical Paradigm for Data Association [74.28753343714858]
  これらの問題に対処するための一般的な学習可能なグラフマッチング法を提案する。 提案手法は,複数のMOTデータセット上での最先端性能を実現する。 画像マッチングでは,一般的な屋内データセットであるScanNetで最先端の手法より優れている。
  論文  参考訳（メタデータ） (2023-03-27T17:39:00Z)
• EGG-GAE: scalable graph neural networks for tabular data imputation [8.775728170359024]
  本稿では,データ計算に欠ける新しいEdGe生成グラフオートエンコーダ(EGG-GAE)を提案する。 EGG-GAEは、入力データのランダムにサンプリングされたミニバッチで動作し、各アーキテクチャ層におけるミニバッチ間の接続性を自動的に推測する。
  論文  参考訳（メタデータ） (2022-10-19T10:26:17Z)
• Data Augmentation for Graph Data: Recent Advancements [11.509692423756448]
  グラフニューラルネットワーク(GNN)ベースの手法は,構造情報を組み込んだグラフデータ処理ツールとして最近人気が高まっている。 GNNのパフォーマンスにおける唯一のハードルは、ラベル付きデータの欠如である。 グラフデータの複雑で非ユークリッド構造のため、画像やテキストデータのデータ拡張技術はグラフデータには使用できない。
  論文  参考訳（メタデータ） (2022-08-25T10:01:31Z)
• FactGraph: Evaluating Factuality in Summarization with Semantic Graph Representations [114.94628499698096]
  文書と要約を構造化された意味表現(MR)に分解するFactGraphを提案する。 MRは、コアセマンティックの概念とその関係を記述し、文書と要約の両方の主要な内容を標準形式で集約し、データの疎結合を減少させる。 事実性を評価するための異なるベンチマークの実験では、FactGraphは以前のアプローチよりも最大15%優れていた。
  論文  参考訳（メタデータ） (2022-04-13T16:45:33Z)
• Data Augmentation for Deep Graph Learning: A Survey [66.04015540536027]
  まず,グラフデータ拡張のための分類法を提案し,その拡張情報モダリティに基づいて関連研究を分類し,構造化されたレビューを提供する。 DGLにおける2つの課題(すなわち、最適グラフ学習と低リソースグラフ学習)に焦点を当て、グラフデータ拡張に基づく既存の学習パラダイムについて議論し、レビューする。
  論文  参考訳（メタデータ） (2022-02-16T18:30:33Z)
• Deep Graph-level Anomaly Detection by Glocal Knowledge Distillation [61.39364567221311]
  グラフレベルの異常検出(GAD)は、その構造やノードの特徴に異常なグラフを検出する問題を記述している。 GADの課題の1つは、局所的および大域的非正則グラフの検出を可能にするグラフ表現を考案することである。 本稿では,グラフとノード表現の連成ランダム蒸留により,グローバルおよびローカルな正規パターン情報を豊富に学習するGADのための新しい深部異常検出手法を提案する。
  論文  参考訳（メタデータ） (2021-12-19T05:04:53Z)
• Training Robust Graph Neural Networks with Topology Adaptive Edge Dropping [116.26579152942162]
  グラフニューラルネットワーク(GNN)は、グラフ構造情報を利用してネットワークデータから表現をモデル化する処理アーキテクチャである。 彼らの成功にもかかわらず、GNNは限られた訓練データから得られる準最適一般化性能に悩まされている。 本稿では、一般化性能を改善し、堅牢なGNNモデルを学習するためのトポロジ適応エッジドロップ法を提案する。
  論文  参考訳（メタデータ） (2021-06-05T13:20:36Z)

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。