論文の概要: A Self-Explainable Heterogeneous GNN for Relational Deep Learning

• arxiv url: http://arxiv.org/abs/2412.00521v1
• Date: Sat, 30 Nov 2024 16:02:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-04 15:41:42.552701
• Title: A Self-Explainable Heterogeneous GNN for Relational Deep Learning
• Title（参考訳）: リレーショナル深層学習のための自己説明可能な不均一GNN
• Authors: Francesco Ferrini, Antonio Longa, Andrea Passerini, Manfred Jaeger,
• Abstract要約: リレーショナルデータのための自己説明可能なヘテロジニアスグラフニューラルネットワーク(GNN)を提案する。 提案手法は,モデルの推論機構を忠実に捉えた情報的メタパスを効果的に同定する。 これは、合成シナリオと実世界のシナリオの両方において、既存の手法を大きく上回っている。
• 参考スコア（独自算出の注目度）: 13.201879122862703
• License:
• Abstract: Recently, significant attention has been given to the idea of viewing relational databases as heterogeneous graphs, enabling the application of graph neural network (GNN) technology for predictive tasks. However, existing GNN methods struggle with the complexity of the heterogeneous graphs induced by databases with numerous tables and relations. Traditional approaches either consider all possible relational meta-paths, thus failing to scale with the number of relations, or rely on domain experts to identify relevant meta-paths. A recent solution does manage to learn informative meta-paths without expert supervision, but assumes that a node's class depends solely on the existence of a meta-path occurrence. In this work, we present a self-explainable heterogeneous GNN for relational data, that supports models in which class membership depends on aggregate information obtained from multiple occurrences of a meta-path. Experimental results show that in the context of relational databases, our approach effectively identifies informative meta-paths that faithfully capture the model's reasoning mechanisms. It significantly outperforms existing methods in both synthetic and real-world scenario.
• Abstract（参考訳）: 近年、リレーショナルデータベースを異種グラフとして見るという考えに大きな注目を集めており、予測タスクにグラフニューラルネットワーク(GNN)技術を適用することが可能になっている。 しかし、既存のGNN法は、多数のテーブルと関係を持つデータベースによって誘導される不均一グラフの複雑さに苦慮している。 従来のアプローチでは、すべての可能なリレーショナルメタパスを考慮し、したがってリレーショナルの数に応じてスケールできないか、あるいは関連するメタパスを特定するためにドメインの専門家に依存している。 最近のソリューションでは、専門家の監督なしに情報的メタパスを学習できるが、ノードのクラスはメタパスの発生の存在にのみ依存していると仮定する。 本稿では,メタパスの複数発生から得られた集合情報にクラスメンバーシップが依存するモデルをサポートする,関係データのための自己説明可能なヘテロジニアスGNNを提案する。 実験により,リレーショナルデータベースの文脈において,モデルの推論機構を忠実に捉えた情報的メタパスを効果的に同定できることが示唆された。 これは、合成シナリオと実世界のシナリオの両方において、既存の手法を大きく上回っている。

関連論文リスト

• The Heterophilic Graph Learning Handbook: Benchmarks, Models, Theoretical Analysis, Applications and Challenges [101.83124435649358]
  ホモフィリ原理では、同じラベルや類似属性を持つieノードが接続される可能性が高い。 最近の研究で、GNNのパフォーマンスとNNのパフォーマンスが満足できない非自明なデータセットが特定されている。
  論文  参考訳（メタデータ） (2024-07-12T18:04:32Z)
• Meta-Path Learning for Multi-relational Graph Neural Networks [14.422104525197838]
  本稿では,少数の情報的メタパスに基づいて,高精度なメタパスとメタパスGNNの学習手法を提案する。 実験により,本手法は関係性が高い場合でも,関連メタパスを正しく同定できることが示唆された。
  論文  参考訳（メタデータ） (2023-09-29T10:12:30Z)
• Meta-node: A Concise Approach to Effectively Learn Complex Relationships in Heterogeneous Graphs [18.65171129524357]
  本稿では、メタパスやメタグラフを使わずに複雑な異種グラフから豊富な関係知識を学習できるメッセージパッシングのためのメタノードの概念を提案する。 メタパスやメタグラフとは異なり、メタノードは専門知識を必要とする事前処理ステップを必要としない。 ノードクラスタリングおよび分類タスクの実験において、提案手法は、メタパスに依存する最先端のメッセージパッシングよりも優れている。
  論文  参考訳（メタデータ） (2022-10-26T05:04:29Z)
• Relation Embedding based Graph Neural Networks for Handling Heterogeneous Graph [58.99478502486377]
  我々は、同種GNNが不均一グラフを扱うのに十分な能力を持つように、シンプルで効率的なフレームワークを提案する。 具体的には、エッジ型関係と自己ループ接続の重要性を埋め込むために、関係1つのパラメータのみを使用する関係埋め込みベースのグラフニューラルネットワーク(RE-GNN)を提案する。
  論文  参考訳（メタデータ） (2022-09-23T05:24:18Z)
• Heterogeneous Graph Neural Networks using Self-supervised Reciprocally Contrastive Learning [102.9138736545956]
  不均一グラフニューラルネットワーク(HGNN)は異種グラフのモデリングと解析において非常に一般的な手法である。 我々は,ノード属性とグラフトポロジの各ガイダンスに関する2つの視点を取り入れた,新規で頑健なヘテロジニアスグラフコントラスト学習手法であるHGCLを初めて開発する。 この新しいアプローチでは,属性とトポロジに関連情報を別々にマイニングする手法として,異なるが最も適した属性とトポロジの融合機構を2つの視点に適用する。
  論文  参考訳（メタデータ） (2022-04-30T12:57:02Z)
• SHGNN: Structure-Aware Heterogeneous Graph Neural Network [77.78459918119536]
  本稿では、上記の制約に対処する構造対応不均一グラフニューラルネットワーク(SHGNN)を提案する。 まず,メタパス内の中間ノードの局所構造情報を取得するために,特徴伝搬モジュールを利用する。 次に、ツリーアテンションアグリゲータを使用して、グラフ構造情報をメタパス上のアグリゲーションモジュールに組み込む。 最後に、メタパスアグリゲータを利用して、異なるメタパスから集約された情報を融合する。
  論文  参考訳（メタデータ） (2021-12-12T14:18:18Z)
• DisenHAN: Disentangled Heterogeneous Graph Attention Network for Recommendation [11.120241862037911]
  不均一な情報ネットワークは、リコメンデータシステムにおけるスパーシリティとコールドスタートの問題を軽減するために広く利用されている。 そこで本稿では,非交叉不均質グラフアテンションネットワークDisenHANについて,トップ$N$のレコメンデーションを提案する。
  論文  参考訳（メタデータ） (2021-06-21T06:26:10Z)
• Metapaths guided Neighbors aggregated Network for?Heterogeneous Graph Reasoning [5.228629954007088]
  メタパス誘導隣り合わせ型非均質グラフニューラルネットワークを提案し,性能向上を図る。 提案したMHNの3つの実世界の異種グラフデータセットに対する広範な実験を行った。
  論文  参考訳（メタデータ） (2021-03-11T05:42:06Z)
• Learning Intents behind Interactions with Knowledge Graph for Recommendation [93.08709357435991]
  知識グラフ(KG)は、推薦システムにおいてますます重要な役割を果たす。 既存のGNNベースのモデルは、きめ細かいインテントレベルでのユーザ項目関係の特定に失敗します。 本稿では,新しいモデルである知識グラフベースインテントネットワーク(kgin)を提案する。
  論文  参考訳（メタデータ） (2021-02-14T03:21:36Z)
• Learning the Implicit Semantic Representation on Graph-Structured Data [57.670106959061634]
  グラフ畳み込みネットワークにおける既存の表現学習手法は主に、各ノードの近傍を知覚全体として記述することで設計される。 本稿では,グラフの潜在意味パスを学習することで暗黙的な意味を探索する意味グラフ畳み込みネットワーク(sgcn)を提案する。
  論文  参考訳（メタデータ） (2021-01-16T16:18:43Z)

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。