論文の概要: Attribute-Enhanced Similarity Ranking for Sparse Link Prediction

• arxiv url: http://arxiv.org/abs/2412.00261v1
• Date: Fri, 29 Nov 2024 21:22:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-04 15:47:53.399138
• Title: Attribute-Enhanced Similarity Ranking for Sparse Link Prediction
• Title（参考訳）: スパースリンク予測のための属性強化類似度ランキング
• Authors: João Mattos, Zexi Huang, Mert Kosan, Ambuj Singh, Arlei Silva,
• Abstract要約: グラフニューラルネットワーク(GNN)がリンク予測の主要なフレームワークとなっている。 本稿では,リンク予測におけるGNNの性能が,より現実的な不均衡設定に反映されないことを示す。 実験により,類似性に基づくリンク予測手法であるGelatoが,既存のGNNベースの代替よりも優れていることが示された。
• 参考スコア（独自算出の注目度）: 6.774952925054741
• License:
• Abstract: Link prediction is a fundamental problem in graph data. In its most realistic setting, the problem consists of predicting missing or future links between random pairs of nodes from the set of disconnected pairs. Graph Neural Networks (GNNs) have become the predominant framework for link prediction. GNN-based methods treat link prediction as a binary classification problem and handle the extreme class imbalance -- real graphs are very sparse -- by sampling (uniformly at random) a balanced number of disconnected pairs not only for training but also for evaluation. However, we show that the reported performance of GNNs for link prediction in the balanced setting does not translate to the more realistic imbalanced setting and that simpler topology-based approaches are often better at handling sparsity. These findings motivate Gelato, a similarity-based link-prediction method that applies (1) graph learning based on node attributes to enhance a topological heuristic, (2) a ranking loss for addressing class imbalance, and (3) a negative sampling scheme that efficiently selects hard training pairs via graph partitioning. Experiments show that Gelato outperforms existing GNN-based alternatives.
• Abstract（参考訳）: リンク予測はグラフデータの基本問題である。 最も現実的な設定では、問題は、切断されたペアの集合からランダムなペアノード間の欠落または将来のリンクを予測することである。 グラフニューラルネットワーク(GNN)がリンク予測の主要なフレームワークとなっている。 GNNベースの手法は、リンク予測を二項分類問題として扱い、訓練のためだけでなく、評価のためにも(一様でランダムに)非連結なペアのバランスの取れた数をサンプリングすることで、極端なクラス不均衡(実グラフは非常にスパース)を扱う。 しかし、バランスの取れた設定におけるリンク予測のための報告されたGNNの性能は、より現実的な不均衡な設定に変換されず、より単純なトポロジに基づくアプローチは、しばしばスパーシリティを扱うのに優れていることを示す。 これらの知見は,(1)ノード属性に基づくグラフ学習を用いてトポロジカルヒューリスティックを向上する類似性に基づくリンク予測手法であるGelatoを動機付け,(2)クラス不均衡に対処するためのランキング損失,(3)グラフ分割によるハードトレーニングペアを効率的に選択する負のサンプリングスキームである。 実験の結果、Gelatoは既存のGNNベースの選択肢よりも優れていた。

関連論文リスト

• RoCP-GNN: Robust Conformal Prediction for Graph Neural Networks in Node-Classification [0.0]
  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の結果を予測する強力なツールとして登場した。 この問題に対処する一つの方法は、事前に定義された確率マージンを持つ真のラベルを含む予測セットを提供することである。 我々は,GNNに対するロバスト・コンフォーマル予測(RoCP-GNN)と呼ばれる新しい手法を提案する。 我々のアプローチはグラフベース半教師付き学習(SSL)の領域における予測の不確実性を定量化しながら、任意の予測的GNNモデルで結果を確実に予測する。
  論文  参考訳（メタデータ） (2024-08-25T12:51:19Z)
• Learning to Reweight for Graph Neural Network [63.978102332612906]
  グラフニューラルネットワーク(GNN)は、グラフタスクに対して有望な結果を示す。 既存のGNNの一般化能力は、テストとトレーニンググラフデータの間に分散シフトが存在する場合に低下する。 本稿では,分布外一般化能力を大幅に向上させる非線形グラフデコリレーション法を提案する。
  論文  参考訳（メタデータ） (2023-12-19T12:25:10Z)
• Heterophily-Based Graph Neural Network for Imbalanced Classification [19.51668009720269]
  グラフの不均衡な分類をグラフヘテロフィリを考慮した一意なアプローチを導入する。 我々は,不均衡な分類戦略をヘテロフィリア認識GNNと統合したFast Im-GBKを提案する。 実世界のグラフに関する我々の実験は、ノード分類タスクの分類性能と効率において、我々のモデルが優れていることを示す。
  論文  参考訳（メタデータ） (2023-10-12T21:19:47Z)
• Link Prediction without Graph Neural Networks [7.436429318051601]
  リンク予測は多くのグラフアプリケーションにおいて基本的なタスクである。 グラフニューラルネットワーク(GNN)がリンク予測の主要なフレームワークとなっている。 グラフ学習による属性情報によって強化されたグラフにトポロジ中心のフレームワークを適用する新しいフレームワークであるGelatoを提案する。
  論文  参考訳（メタデータ） (2023-05-23T03:59:21Z)
• Rethinking Explaining Graph Neural Networks via Non-parametric Subgraph Matching [68.35685422301613]
  そこで我々はMatchExplainerと呼ばれる新しい非パラメトリックな部分グラフマッチングフレームワークを提案し、説明的部分グラフを探索する。 ターゲットグラフと他のインスタンスを結合し、ノードに対応する距離を最小化することで最も重要な結合部分構造を識別する。 合成および実世界のデータセットの実験は、最先端のパラメトリックベースラインをかなりのマージンで上回り、MatchExplainerの有効性を示す。
  論文  参考訳（メタデータ） (2023-01-07T05:14:45Z)
• GNNRank: Learning Global Rankings from Pairwise Comparisons via Directed Graph Neural Networks [68.61934077627085]
  本稿では,グラフ埋め込みを学習可能なGNNと互換性のあるモデリングフレームワークであるGNNRankを紹介する。 既存の手法と比較して,我々の手法が競争力があり,しばしば優れた性能を発揮することを示す。
  論文  参考訳（メタデータ） (2022-02-01T04:19:50Z)
• Generalizing Graph Neural Networks on Out-Of-Distribution Graphs [51.33152272781324]
  トレーニンググラフとテストグラフの分散シフトを考慮せずにグラフニューラルネットワーク(GNN)を提案する。 このような環境では、GNNは、たとえ素早い相関であるとしても、予測のためのトレーニングセットに存在する微妙な統計的相関を利用する傾向がある。 本稿では,スプリアス相関の影響を排除するため,StableGNNと呼ばれる一般的な因果表現フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-11-20T18:57:18Z)
• Neural Link Prediction with Walk Pooling [31.12613408446031]
  ウォークプールと呼ばれる新しいプール方式に基づくリンク予測を提案する。 トポロジカルアルゴリズムの表現性とニューラルネットワークの機能学習能力を組み合わせる。 これは、すべての一般的なリンク予測ベンチマークで最先端の手法より優れている。
  論文  参考訳（メタデータ） (2021-10-08T20:52:12Z)
• Line Graph Neural Networks for Link Prediction [71.00689542259052]
  実世界の多くのアプリケーションにおいて古典的なグラフ解析問題であるグラフリンク予測タスクについて検討する。 このフォーマリズムでは、リンク予測問題をグラフ分類タスクに変換する。 本稿では,線グラフをグラフ理論に用いて,根本的に異なる新しい経路を求めることを提案する。 特に、線グラフの各ノードは、元のグラフのユニークなエッジに対応するため、元のグラフのリンク予測問題は、グラフ分類タスクではなく、対応する線グラフのノード分類問題として等価に解決できる。
  論文  参考訳（メタデータ） (2020-10-20T05:54:31Z)
• Bayesian Graph Neural Networks with Adaptive Connection Sampling [62.51689735630133]
  グラフニューラルネットワーク(GNN)における適応接続サンプリングのための統一的なフレームワークを提案する。 提案フレームワークは,深部GNNの過度なスムース化や過度に適合する傾向を緩和するだけでなく,グラフ解析タスクにおけるGNNによる不確実性の学習を可能にする。
  論文  参考訳（メタデータ） (2020-06-07T07:06:35Z)

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。