論文の概要: G-SPARC: SPectral ARchitectures tackling the Cold-start problem in Graph learning

• arxiv url: http://arxiv.org/abs/2411.01532v1
• Date: Sun, 03 Nov 2024 11:39:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-05 14:44:04.805530
• Title: G-SPARC: SPectral ARchitectures tackling the Cold-start problem in Graph learning
• Title（参考訳）: G-SPARC:グラフ学習におけるコールドスタート問題に対処するスピクチュラルアーキテクチュア
• Authors: Yahel Jacobs, Reut Dayan, Uri Shaham,
• Abstract要約: コールドスタートノードに対処する新しいフレームワークであるG-SPARCを提案する。 グラフ表現からスペクトル表現への移行というキーアイデアを利用することで、我々のアプローチはコールドスタートノードに一般化できる。 本手法は,ノード分類,ノードクラスタリング,リンク予測など,コールドスタートノードの既存モデルよりも優れている。
• 参考スコア（独自算出の注目度）: 3.870455775654713
• License:
• Abstract: Graphs play a central role in modeling complex relationships across various domains. Most graph learning methods rely heavily on neighborhood information, raising the question of how to handle cold-start nodes - nodes with no known connections within the graph. These models often overlook the cold-start nodes, making them ineffective for real-world scenarios. To tackle this, we propose G-SPARC, a novel framework addressing cold-start nodes, that leverages generalizable spectral embedding. This framework enables extension to state-of-the-art methods making them suitable for practical applications. By utilizing a key idea of transitioning from graph representation to spectral representation, our approach is generalizable to cold-start nodes, capturing the global structure of the graph without relying on adjacency data. Experimental results demonstrate that our method outperforms existing models on cold-start nodes across various tasks like node classification, node clustering, and link prediction. G-SPARC provides a breakthrough built-in solution to the cold-start problem in graph learning. Our code will be publicly available upon acceptance.
• Abstract（参考訳）: グラフは、様々な領域にわたる複雑な関係のモデリングにおいて中心的な役割を果たす。 ほとんどのグラフ学習手法は近隣情報に大きく依存しており、コールドスタートノード(グラフ内の既知の接続を持たないノード)の扱い方に関する疑問を提起している。 これらのモデルはコールドスタートノードを見渡すことが多く、現実のシナリオでは有効ではない。 そこで本研究では, 一般化可能なスペクトル埋め込みを利用する, コールドスタートノードに対処する新しいフレームワークG-SPARCを提案する。 このフレームワークは、最先端のメソッドの拡張を可能にし、実用的なアプリケーションに適合する。 グラフ表現からスペクトル表現へ移行する鍵となるアイデアを利用することで、我々のアプローチはコールドスタートノードに一般化でき、隣接データに頼ることなくグラフのグローバル構造を捉えることができる。 実験の結果,本手法はノード分類,ノードクラスタリング,リンク予測など,コールドスタートノードの既存モデルよりも優れていた。 G-SPARCは、グラフ学習におけるコールドスタート問題に対するブレークスルーソリューションを提供する。 私たちのコードは受理時に公開されます。

関連論文リスト

• Spectral Greedy Coresets for Graph Neural Networks [61.24300262316091]
  ノード分類タスクにおける大規模グラフの利用は、グラフニューラルネットワーク(GNN)の現実的な応用を妨げる 本稿では,GNNのグラフコアセットについて検討し,スペクトル埋め込みに基づくエゴグラフの選択により相互依存の問題を回避する。 我々のスペクトルグレディグラフコアセット(SGGC)は、数百万のノードを持つグラフにスケールし、モデル事前学習の必要性を排除し、低ホモフィリーグラフに適用する。
  論文  参考訳（メタデータ） (2024-05-27T17:52:12Z)
• OpenGraph: Towards Open Graph Foundation Models [20.401374302429627]
  グラフニューラルネットワーク(GNN)は、構造情報を符号化するための有望な技術として登場した。 主な課題は、異なる性質を持つグラフデータを一般化することの難しさである。 この課題に対処するために,OpenGraphと呼ばれる新しいグラフ基盤モデルを提案する。
  論文  参考訳（メタデータ） (2024-03-02T08:05:03Z)
• GraphEdit: Large Language Models for Graph Structure Learning [62.618818029177355]
  グラフ構造学習(GSL)は、グラフ構造データ中のノード間の固有の依存関係と相互作用をキャプチャすることに焦点を当てている。 既存のGSL法は、監督信号として明示的なグラフ構造情報に大きく依存している。 グラフ構造化データの複雑なノード関係を学習するために,大規模言語モデル(LLM)を利用したグラフ編集を提案する。
  論文  参考訳（メタデータ） (2024-02-23T08:29:42Z)
• GraphRARE: Reinforcement Learning Enhanced Graph Neural Network with Relative Entropy [21.553180564868306]
  GraphRAREはノード相対エントロピーと深層強化学習に基づいて構築されたフレームワークである。 革新的なノード相対エントロピーは、ノードペア間の相互情報を測定するために使用される。 グラフトポロジを最適化するために,深層強化学習に基づくアルゴリズムを開発した。
  論文  参考訳（メタデータ） (2023-12-15T11:30:18Z)
• NodeFormer: A Scalable Graph Structure Learning Transformer for Node Classification [70.51126383984555]
  本稿では,任意のノード間のノード信号を効率的に伝搬する全ペアメッセージパッシング方式を提案する。 効率的な計算は、カーナライズされたGumbel-Softmax演算子によって実現される。 グラフ上のノード分類を含む様々なタスクにおいて,本手法の有望な有効性を示す実験を行った。
  論文  参考訳（メタデータ） (2023-06-14T09:21:15Z)
• Deep Manifold Learning with Graph Mining [80.84145791017968]
  グラフマイニングのための非段階的決定層を持つ新しいグラフ深層モデルを提案する。 提案モデルでは,現行モデルと比較して最先端性能を実現している。
  論文  参考訳（メタデータ） (2022-07-18T04:34:08Z)
• Cold Brew: Distilling Graph Node Representations with Incomplete or Missing Neighborhoods [69.13371028670153]
  本稿では,SCS(Strict Cold Start)問題に対する誘導型GNNの有効性を検討するために,FCR(Feature-Contribution ratio)を導入する。 実験により,FCRはグラフデータセットの様々な成分の寄与を阻害し,コールドブリューの優れた性能を示す。
  論文  参考訳（メタデータ） (2021-11-08T21:29:25Z)
• Inferential SIR-GN: Scalable Graph Representation Learning [0.4699313647907615]
  グラフ表現学習法は、ネットワーク内のノードの数値ベクトル表現を生成する。 本研究では,ランダムグラフ上で事前学習されたモデルであるInferential SIR-GNを提案し,ノード表現を高速に計算する。 このモデルではノードの構造的役割情報を捉えることができ、ノードやグラフの分類タスクにおいて、目に見えないネットワーク上で優れた性能を示すことができる。
  論文  参考訳（メタデータ） (2021-11-08T20:56:37Z)
• A Robust and Generalized Framework for Adversarial Graph Embedding [73.37228022428663]
  本稿では,AGE という逆グラフ埋め込みのための頑健なフレームワークを提案する。 AGEは、暗黙の分布から強化された負のサンプルとして偽の隣接ノードを生成する。 本フレームワークでは,3種類のグラフデータを扱う3つのモデルを提案する。
  論文  参考訳（メタデータ） (2021-05-22T07:05:48Z)
• Schema-Aware Deep Graph Convolutional Networks for Heterogeneous Graphs [10.526065883783899]
  グラフ畳み込みネットワーク(GCN)に基づくアプローチは、複雑でグラフ構造化された問題を解決するために大きな進歩を遂げた。 我々はGCNフレームワーク「深部不均一グラフ畳み込みネットワーク(DHGCN)」を提案する。 それは異種グラフのスキーマを利用し、多くのホップを効果的に活用するために階層的アプローチを使用します。
  論文  参考訳（メタデータ） (2021-05-03T06:24:27Z)

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。