論文の概要: HeteroSample: Meta-path Guided Sampling for Heterogeneous Graph Representation Learning
- arxiv url: http://arxiv.org/abs/2411.07022v1
- Date: Mon, 11 Nov 2024 14:27:30 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-11-12 14:08:26.257046
- Title: HeteroSample: Meta-path Guided Sampling for Heterogeneous Graph Representation Learning
- Title（参考訳）: HeteroSample:異種グラフ表現学習のためのメタパスガイドサンプリング
- Authors: Ao Liu, Jing Chen, Ruiying Du, Cong Wu, Yebo Feng, Teng Li, Jianfeng Ma,
- Abstract要約: HeteroSampleは、構造整合性、ノードおよびエッジタイプの分布、およびIoT関連グラフの意味パターンを保存するために設計された新しいサンプリング手法である。
HeteroSampleは最先端の手法より優れており、リンク予測やノード分類といったタスクで最大15%高いF1スコアを達成する。
- 参考スコア（独自算出の注目度）: 23.169203683975855
- License:
- Abstract: The rapid expansion of Internet of Things (IoT) has resulted in vast, heterogeneous graphs that capture complex interactions among devices, sensors, and systems. Efficient analysis of these graphs is critical for deriving insights in IoT scenarios such as smart cities, industrial IoT, and intelligent transportation systems. However, the scale and diversity of IoT-generated data present significant challenges, and existing methods often struggle with preserving the structural integrity and semantic richness of these complex graphs. Many current approaches fail to maintain the balance between computational efficiency and the quality of the insights generated, leading to potential loss of critical information necessary for accurate decision-making in IoT applications. We introduce HeteroSample, a novel sampling method designed to address these challenges by preserving the structural integrity, node and edge type distributions, and semantic patterns of IoT-related graphs. HeteroSample works by incorporating the novel top-leader selection, balanced neighborhood expansion, and meta-path guided sampling strategies. The key idea is to leverage the inherent heterogeneous structure and semantic relationships encoded by meta-paths to guide the sampling process. This approach ensures that the resulting subgraphs are representative of the original data while significantly reducing computational overhead. Extensive experiments demonstrate that HeteroSample outperforms state-of-the-art methods, achieving up to 15% higher F1 scores in tasks such as link prediction and node classification, while reducing runtime by 20%.These advantages make HeteroSample a transformative tool for scalable and accurate IoT applications, enabling more effective and efficient analysis of complex IoT systems, ultimately driving advancements in smart cities, industrial IoT, and beyond.
- Abstract（参考訳）: IoT(Internet of Things)の急速な拡張により、デバイス、センサー、システム間の複雑なインタラクションをキャプチャする巨大な、異質なグラフが生まれました。
これらのグラフの効率的な分析は、スマートシティや産業用IoT、インテリジェントトランスポートシステムといったIoTシナリオにおける洞察を引き出す上で重要である。
しかし、IoT生成データのスケールと多様性には大きな課題があり、既存の手法は複雑なグラフの構造的整合性とセマンティック・リッチネスの維持に苦慮することが多い。
多くの現在のアプローチでは、計算効率と生成した洞察の質のバランスを維持することができず、IoTアプリケーションにおける正確な意思決定に必要な重要な情報が失われる可能性がある。
We introduced HeteroSample, a novel sample method designed to address these challenges byserving the structure integrity, node and edge type distributions, and semantic pattern of IoT-related graphs。
HeteroSampleは、新しいトップリーダー選択、バランスの取れた地区拡張、メタパスガイドによるサンプリング戦略を取り入れて機能する。
鍵となる考え方は、メタパスによって符号化された固有の異種構造と意味的関係を利用してサンプリングプロセスを導くことである。
このアプローチは、結果のサブグラフが元のデータを表すことを保証すると同時に、計算オーバーヘッドを大幅に削減する。
大規模な実験により、HeteroSampleは最先端の手法よりも優れており、リンク予測やノード分類といったタスクで最大15%高いF1スコアを達成でき、ランタイムを20%削減できる。
これらのアドバンテージにより、HeteroSampleはスケーラブルで正確なIoTアプリケーションのためのトランスフォーメーションツールになり、複雑なIoTシステムのより効率的かつ効率的な分析を可能にし、最終的にはスマートシティや産業用IoTなどの進歩を加速する。
関連論文リスト
- Discrete transforms of quantized persistence diagrams [0.5249805590164902]
永続化ダイアグラムをベクトル化する新奇でシンプルな方法Qupidを紹介する。
主要な特徴は、永続化ダイアグラムの対角線付近に含まれる情報を強調するログスケールグリッドの選択である。
我々はQupidの詳細な実験分析を行い、本手法の単純さは計算コストを極端に低くすることを示した。
論文 参考訳（メタデータ） (2023-12-28T16:11:11Z) - Filling the Missing: Exploring Generative AI for Enhanced Federated
Learning over Heterogeneous Mobile Edge Devices [72.61177465035031]
ローカルデータのFIMI(FIlling the MIssing)部分を活用することにより,これらの課題に対処する,AIを活用した創発的なフェデレーション学習を提案する。
実験の結果,FIMIはデバイス側エネルギーの最大50%を節約し,目標とするグローバルテスト精度を達成できることがわかった。
論文 参考訳（メタデータ） (2023-10-21T12:07:04Z) - Network Alignment with Transferable Graph Autoencoders [79.89704126746204]
本稿では,強力で堅牢なノード埋め込みを抽出するグラフオートエンコーダアーキテクチャを提案する。
生成した埋め込みがグラフの固有値と固有ベクトルと結びついていることを証明する。
提案フレームワークは転送学習とデータ拡張を利用して,大規模なネットワークアライメントを実現する。
論文 参考訳（メタデータ） (2023-10-05T02:58:29Z) - Federated Deep Learning for Intrusion Detection in IoT Networks [1.3097853961043058]
AIベースの侵入検知システム(IDS)を分散IoTシステムに実装する一般的なアプローチは、中央集権的な方法である。
このアプローチはデータのプライバシを侵害し、IDSのスケーラビリティを禁止します。
我々は、実世界の実験代表を設計し、FLベースのIDSの性能を評価する。
論文 参考訳（メタデータ） (2023-06-05T09:08:24Z) - End-to-End Meta-Bayesian Optimisation with Transformer Neural Processes [52.818579746354665]
本稿では,ニューラルネットワークを一般化し,トランスフォーマーアーキテクチャを用いて獲得関数を学習する,エンド・ツー・エンドの差別化可能な最初のメタBOフレームワークを提案する。
我々は、この強化学習(RL)によるエンドツーエンドのフレームワークを、ラベル付き取得データの欠如に対処できるようにします。
論文 参考訳（メタデータ） (2023-05-25T10:58:46Z) - Graph Neural Networks for Multi-Robot Active Information Acquisition [15.900385823366117]
基礎となるグラフを通して通信する移動ロボットのチームは、興味のある現象を表す隠れた状態を推定する。
既存のアプローチはスケーラブルではないか、動的現象に対処できないか、あるいは通信グラフの変化に対して堅牢でないかのどちらかです。
本稿では,グラフ表現上に情報を集約し,逐次決定を分散的に行う情報対応グラフブロックネットワーク(I-GBNet)を提案する。
論文 参考訳（メタデータ） (2022-09-24T21:45:06Z) - Service Discovery in Social Internet of Things using Graph Neural
Networks [1.552282932199974]
IoT(Internet-of-Things)ネットワークは、何千もの物理的エンティティをインテリジェントに接続して、コミュニティにさまざまなサービスを提供する。
ネットワークに存在するIoTデバイスを発見し、それに対応するサービスを要求するプロセスを複雑にしている。
異種大規模IoTネットワークに適したスケーラブルなリソース割り当てニューラルモデルを提案する。
論文 参考訳（メタデータ） (2022-05-25T12:25:37Z) - CAFE: Learning to Condense Dataset by Aligning Features [72.99394941348757]
本稿ではCAFE(Aligning features)によるCondenseデータセットの新しいスキームを提案する。
このアプローチの核心は、さまざまなスケールにわたる実データと合成データから機能を整合させる効果的な戦略です。
提案したCAFEを様々なデータセットで検証し,概ね最先端技術であることを示す。
論文 参考訳（メタデータ） (2022-03-03T05:58:49Z) - Handling Distribution Shifts on Graphs: An Invariance Perspective [78.31180235269035]
我々は、グラフ上のOOD問題を定式化し、新しい不変学習手法である探索・拡張リスク最小化(EERM)を開発する。
EERMは、複数の仮想環境からのリスクの分散を最大化するために、敵対的に訓練された複数のコンテキストエクスプローラーを利用する。
理論的に有効なOOD解の保証を示すことによって,本手法の有効性を実証する。
論文 参考訳（メタデータ） (2022-02-05T02:31:01Z) - Meta Propagation Networks for Graph Few-shot Semi-supervised Learning [39.96930762034581]
本稿では,この問題を解決するために,メタ学習アルゴリズムを用いた新しいネットワークアーキテクチャを提案する。
基本的に,我々のMeta-PNフレームワークは,メタ学習ラベルの伝搬戦略を用いて,未ラベルノード上の高品質な擬似ラベルを推論する。
我々のアプローチは、様々なベンチマークデータセットの既存の技術と比較して、容易で実質的なパフォーマンス向上を提供する。
論文 参考訳（メタデータ） (2021-12-18T00:11:56Z) - Tensor Graph Convolutional Networks for Multi-relational and Robust
Learning [74.05478502080658]
本稿では,テンソルで表されるグラフの集合に関連するデータから,スケーラブルな半教師付き学習(SSL)を実現するためのテンソルグラフ畳み込みネットワーク(TGCN)を提案する。
提案アーキテクチャは、標準的なGCNと比較して大幅に性能が向上し、最先端の敵攻撃に対処し、タンパク質間相互作用ネットワーク上でのSSL性能が著しく向上する。
論文 参考訳（メタデータ） (2020-03-15T02:33:21Z)
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。