論文の概要: Can GNNs Learn Link Heuristics? A Concise Review and Evaluation of Link Prediction Methods

• arxiv url: http://arxiv.org/abs/2411.14711v1
• Date: Fri, 22 Nov 2024 03:38:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-25 15:02:41.319211
• Title: Can GNNs Learn Link Heuristics? A Concise Review and Evaluation of Link Prediction Methods
• Title（参考訳）: GNNはリンクヒューリスティックスを学習できるか? : リンク予測手法の簡潔なレビューと評価
• Authors: Shuming Liang, Yu Ding, Zhidong Li, Bin Liang, Siqi Zhang, Yang Wang, Fang Chen,
• Abstract要約: 本稿では,リンク予測のための各種情報学習におけるグラフニューラルネットワーク(GNN)の機能について検討する。 解析の結果,GNNは2つのノード間の共通隣接点数に関する構造情報を効果的に学習できないことがわかった。 また、トレーニング可能なノード埋め込みにより、GNNベースのリンク予測モデルの性能が向上することを示す。
• 参考スコア（独自算出の注目度）: 16.428742189544955
• License:
• Abstract: This paper explores the ability of Graph Neural Networks (GNNs) in learning various forms of information for link prediction, alongside a brief review of existing link prediction methods. Our analysis reveals that GNNs cannot effectively learn structural information related to the number of common neighbors between two nodes, primarily due to the nature of set-based pooling of the neighborhood aggregation scheme. Also, our extensive experiments indicate that trainable node embeddings can improve the performance of GNN-based link prediction models. Importantly, we observe that the denser the graph, the greater such the improvement. We attribute this to the characteristics of node embeddings, where the link state of each link sample could be encoded into the embeddings of nodes that are involved in the neighborhood aggregation of the two nodes in that link sample. In denser graphs, every node could have more opportunities to attend the neighborhood aggregation of other nodes and encode states of more link samples to its embedding, thus learning better node embeddings for link prediction. Lastly, we demonstrate that the insights gained from our research carry important implications in identifying the limitations of existing link prediction methods, which could guide the future development of more robust algorithms.
• Abstract（参考訳）: 本稿では,リンク予測のための様々な情報形式を学習する上でのグラフニューラルネットワーク(GNN)の機能と,既存のリンク予測手法の簡単なレビューについて述べる。 本分析により,GNNは,近傍アグリゲーション方式のセットベースプールの性質から,二つのノード間の共通近傍数に関する構造情報を効果的に学習できないことがわかった。 また、トレーニング可能なノード埋め込みにより、GNNベースのリンク予測モデルの性能が向上することを示す。 重要なことに、グラフがより密になればなるほど、そのような改善がより大きくなることが観察される。 この特徴は,各リンクサンプルのリンク状態を,そのリンクサンプル内の2つのノードの近傍集約に関与するノードの埋め込みにエンコードできる点にある。 より密度の高いグラフでは、全てのノードは、他のノードの近傍の集約により多くの機会を持ち、その埋め込みにより多くのリンクサンプルの状態をエンコードすることで、リンク予測のためのより良いノード埋め込みを学ぶことができる。 最後に,本研究から得られた知見が,既存のリンク予測手法の限界を特定する上で重要な意味を持つことを示す。

関連論文リスト

• PROXI: Challenging the GNNs for Link Prediction [3.8233569758620063]
  本稿では,グラフと属性空間の両方におけるノードペアの近接情報を活用するPROXIを紹介する。 標準機械学習(ML)モデルは競争力があり、最先端のGNNモデルよりも優れています。 ProXIによる従来のGNNの拡張はリンク予測性能を大幅に向上させることを示す。
  論文  参考訳（メタデータ） (2024-10-02T17:57:38Z)
• Learning Scalable Structural Representations for Link Prediction with Bloom Signatures [39.63963077346406]
  グラフニューラルネットワーク(GNN)は、リンク予測タスクでサブ最適に実行されることが知られている。 本稿では,Bloomシグネチャを用いたGNNのメッセージパッシングフレームワークを拡張し,構造的リンク表現の学習を提案する。 提案モデルでは,既存のエッジワイドGNNモデルと同等あるいは優れた性能を実現している。
  論文  参考訳（メタデータ） (2023-12-28T02:21:40Z)
• DEGREE: Decomposition Based Explanation For Graph Neural Networks [55.38873296761104]
  我々は,GNN予測に対する忠実な説明を提供するためにDGREEを提案する。 GNNの情報生成と集約機構を分解することにより、DECREEは入力グラフの特定のコンポーネントのコントリビューションを最終的な予測に追跡することができる。 また,従来の手法で見過ごされるグラフノード間の複雑な相互作用を明らかにするために,サブグラフレベルの解釈アルゴリズムを設計する。
  論文  参考訳（メタデータ） (2023-05-22T10:29:52Z)
• Self-Explainable Graph Neural Networks for Link Prediction [30.41648521030615]
  グラフニューラルネットワーク(GNN)はリンク予測の最先端性能を達成した。 GNNは解釈性に乏しいため、重要なシナリオでは採用が制限される。 そこで我々は,このノードから他のノードへのリンクに対するペア固有の表現を学習するために,あるノードの様々なK$重要な隣人を見つけることができる新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-05-21T21:57:32Z)
• Robust Knowledge Adaptation for Dynamic Graph Neural Networks [61.8505228728726]
  動的グラフニューラルネットワークのための強化学習による堅牢な知識適応フレームワークであるAda-DyGNNを提案する。 我々のアプローチは、強化学習による堅牢な知識適応を探求する最初の試みである。 3つのベンチマークデータセットの実験は、Ada-DyGNNが最先端のパフォーマンスを達成することを示した。
  論文  参考訳（メタデータ） (2022-07-22T02:06:53Z)
• Structure Enhanced Graph Neural Networks for Link Prediction [6.872826041648584]
  リンク予測のための構造拡張グラフニューラルネットワーク(SEG)を提案する。 SEGは、ターゲットノードの周囲の位相情報を通常のGNNモデルに組み込む。 OGBリンク予測データセットの実験は、SEGが最先端の結果を達成することを示す。
  論文  参考訳（メタデータ） (2022-01-14T03:49:30Z)
• Node2Seq: Towards Trainable Convolutions in Graph Neural Networks [59.378148590027735]
  今回提案するグラフネットワーク層であるNode2Seqは,隣接ノードの重みを明示的に調整可能なノード埋め込みを学習する。 対象ノードに対して,当手法は注意メカニズムを介して隣接ノードをソートし,さらに1D畳み込みニューラルネットワーク(CNN)を用いて情報集約のための明示的な重み付けを行う。 また, 特徴学習のための非局所的情報を, 注意スコアに基づいて適応的に組み込むことを提案する。
  論文  参考訳（メタデータ） (2021-01-06T03:05:37Z)
• Interpretable Signed Link Prediction with Signed Infomax Hyperbolic Graph [54.03786611989613]
  ソーシャルネットワークにおけるサイン付きリンク予測は、ユーザ(すなわちノード)間の基盤となる関係(リンク)を明らかにすることを目的としている 我々は Signed Infomax Hyperbolic Graph (textbfSIHG) と呼ばれる統一されたフレームワークを開発する。 高次ユーザ関係と複雑な階層をモデル化するために、ノードの埋め込みを投影し、より低歪みの双曲空間で測定する。
  論文  参考訳（メタデータ） (2020-11-25T05:09:03Z)
• 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)
• Bilinear Graph Neural Network with Neighbor Interactions [106.80781016591577]
  グラフニューラルネットワーク(GNN)は,グラフデータ上で表現を学習し,予測を行う強力なモデルである。 本稿では,グラフ畳み込み演算子を提案し,隣接するノードの表現の対の相互作用で重み付け和を増大させる。 このフレームワークをBGNN(Bilinear Graph Neural Network)と呼び、隣ノード間の双方向相互作用によるGNN表現能力を向上させる。
  論文  参考訳（メタデータ） (2020-02-10T06:43:38Z)

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。