Fugu-MT 論文翻訳(概要): Just Propagate: Unifying Matrix Factorization, Network Embedding, and LightGCN for Link Prediction

論文の概要: Just Propagate: Unifying Matrix Factorization, Network Embedding, and LightGCN for Link Prediction

arxiv url: http://arxiv.org/abs/2410.21325v1
Date: Sat, 26 Oct 2024 21:43:34 GMT
ステータス: 翻訳完了
システム内更新日: 2024-10-30 13:42:00.941581
Title: Just Propagate: Unifying Matrix Factorization, Network Embedding, and LightGCN for Link Prediction
Title（参考訳）: Just Propagate: リンク予測のためのマトリックスファクタライゼーション、ネットワーク埋め込み、LightGCNの統合
Authors: Haoxin Liu,
Abstract要約: 本稿では,行列因数分解と代表的ネットワーク埋め込みおよびグラフニューラルネットワーク手法を網羅したリンク予測フレームワークを提案する。我々の結果は、リンク予測手法の理解を深め、新しい設計をインスピレーションする可能性がある。
参考スコア（独自算出の注目度）: 5.1359892878090845
License:
Abstract: Link prediction is a fundamental task in graph analysis. Despite the success of various graph-based machine learning models for link prediction, there lacks a general understanding of different models. In this paper, we propose a unified framework for link prediction that covers matrix factorization and representative network embedding and graph neural network methods. Our preliminary methodological and empirical analyses further reveal several key design factors based on our unified framework. We believe our results could deepen our understanding and inspire novel designs for link prediction methods.
Abstract（参考訳）: リンク予測は、グラフ解析における基本的なタスクである。リンク予測のためのグラフベースの機械学習モデルの成功にもかかわらず、さまざまなモデルの一般的な理解が欠けている。本稿では,行列の分解や代表的ネットワークの埋め込み,グラフニューラルネットワークの手法を網羅する,リンク予測のための統一的なフレームワークを提案する。予備的な方法論的および経験的分析により,我々の統合された枠組みに基づくいくつかの重要な設計要因が明らかにされた。我々の結果は、リンク予測手法の理解を深め、新しい設計をインスピレーションする可能性があると信じている。

関連論文リスト

Link Prediction with Relational Hypergraphs [28.594243961681684]
知識グラフとのリンク予測は、グラフ機械学習において徹底的に研究されている。本稿では,グラフニューラルネットワークの完全なリレーショナル構造への応用を解き放ち,リレーショナルハイパーグラフとリンク予測を行うフレームワークを提案する。
論文参考訳（メタデータ） (2024-02-06T15:05:40Z)
Variational Disentangled Graph Auto-Encoders for Link Prediction [10.390861526194662]
本稿では,DGAE(disentangled graph auto-encoder)とVDGAE(variantal disentangled graph auto-encoder)の2つの変種を持つ新しいフレームワークを提案する。提案フレームワークは,グラフのエッジの原因となる潜伏因子を推定し,その表現を一意の潜伏因子に対応する複数のチャネルに分解する。
論文参考訳（メタデータ） (2023-06-20T06:25:05Z)
A Theory of Link Prediction via Relational Weisfeiler-Leman on Knowledge Graphs [6.379544211152605]
グラフニューラルネットワークは、グラフ構造化データ上での表現学習のための顕著なモデルである。私たちの目標は、知識グラフのためのグラフニューラルネットワークのランドスケープを体系的に理解することです。
論文参考訳（メタデータ） (2023-02-04T17:40:03Z)
Generative Graph Neural Networks for Link Prediction [13.643916060589463]
欠落したリンクを推測したり、観測されたグラフに基づいて急激なリンクを検出することは、グラフデータ分析における長年の課題である。本稿では,GraphLPと呼ばれるネットワーク再構成理論に基づく,新しい,根本的に異なるリンク予測アルゴリズムを提案する。リンク予測に使用される識別ニューラルネットワークモデルとは異なり、GraphLPは生成可能であり、ニューラルネットワークベースのリンク予測の新しいパラダイムを提供する。
論文参考訳（メタデータ） (2022-12-31T10:07:19Z)
Pyramidal Predictive Network: A Model for Visual-frame Prediction Based on Predictive Coding Theory [1.4610038284393165]
本稿では,視覚的フレーム予測のためのニューラルネットワークモデルを提案する。このモデルは、トップダウンストリームとボトムアップストリームを形成する一連の繰り返しおよび畳み込みユニットで構成されている。ネットワークの各レイヤにConvLSTMを配置し、トップからダウンまでの局所的な予測を行う。
論文参考訳（メタデータ） (2022-08-15T06:28:34Z)
Learning node embeddings via summary graphs: a brief theoretical analysis [55.25628709267215]
グラフ表現学習は多くのグラフマイニングアプリケーションにおいて重要な役割を果たすが、大規模なグラフの埋め込みを学習することは依然として問題である。最近の研究は、グラフの要約(つまり、より小さな要約グラフへの埋め込みを学習し、元のグラフのノード埋め込みを復元することでスケーラビリティを向上させる。本稿では,導入したカーネル行列に基づく3つの特定の埋め込み学習手法について,詳細な理論的解析を行う。
論文参考訳（メタデータ） (2022-07-04T04:09:50Z)
Online Multi-Agent Forecasting with Interpretable Collaborative Graph Neural Network [65.11999700562869]
複数の協調予測器からの予測を協調グラフに従って集約する新しい協調予測ユニット(CoPU)を提案する。本手法は,3つのタスクの最先端処理を平均28.6%,17.4%,21.0%で上回っている。
論文参考訳（メタデータ） (2021-07-02T08:20:06Z)
Benchmarking Graph Neural Networks on Link Prediction [80.2049358846658]
リンク予測のための異なるデータセット上で,既存のグラフニューラルネットワーク(GNN)モデルをベンチマークする。実験により,これらのGNNアーキテクチャは,リンク予測タスクの様々なベンチマークでも同様に動作することを示す。
論文参考訳（メタデータ） (2021-02-24T20:57:16Z)
Probabilistic Graph Attention Network with Conditional Kernels for Pixel-Wise Prediction [158.88345945211185]
本稿では,画素レベルの予測を基本的側面,すなわち,技術の現状を推し進める新たなアプローチを提案する。構造化されたマルチスケール機能学習と融合。本論文では,マルチスケール表現を原理的に学習・融合するための新しいアテンテンションゲート条件ランダムフィールド(AG-CRFs)モデルに基づく確率的グラフアテンションネットワーク構造を提案する。
論文参考訳（メタデータ） (2021-01-08T04:14:29Z)
Interpreting Graph Neural Networks for NLP With Differentiable Edge Masking [63.49779304362376]
グラフニューラルネットワーク(GNN)は、構造的帰納バイアスをNLPモデルに統合する一般的なアプローチとなっている。本稿では,不要なエッジを識別するGNNの予測を解釈するポストホック手法を提案する。モデルの性能を劣化させることなく,多数のエッジを落とせることを示す。
論文参考訳（メタデータ） (2020-10-01T17:51:19Z)
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)

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。