論文の概要: Hyperbolic Hypergraph Neural Networks for Multi-Relational Knowledge Hypergraph Representation

• arxiv url: http://arxiv.org/abs/2412.12158v1
• Date: Wed, 11 Dec 2024 12:03:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-18 14:01:08.097829
• Title: Hyperbolic Hypergraph Neural Networks for Multi-Relational Knowledge Hypergraph Representation
• Title（参考訳）: 多関係知識ハイパーグラフ表現のための双曲型ハイパーグラフニューラルネットワーク
• Authors: Mengfan Li, Xuanhua Shi, Chenqi Qiao, Teng Zhang, Hai Jin,
• Abstract要約: 本稿では,H2GNN(Hyperbolic Hypergraph Neural Network)を提案する。 我々はH2GNNを知識ハイパーグラフに基づく15のベースラインと比較し、ノード分類とリンク予測の両タスクにおいて最先端のアプローチよりも優れています。
• 参考スコア（独自算出の注目度）: 19.14148664582895
• License:
• Abstract: Knowledge hypergraphs generalize knowledge graphs using hyperedges to connect multiple entities and depict complicated relations. Existing methods either transform hyperedges into an easier-to-handle set of binary relations or view hyperedges as isolated and ignore their adjacencies. Both approaches have information loss and may potentially lead to the creation of sub-optimal models. To fix these issues, we propose the Hyperbolic Hypergraph Neural Network (H2GNN), whose essential component is the hyper-star message passing, a novel scheme motivated by a lossless expansion of hyperedges into hierarchies. It implements a direct embedding that consciously incorporates adjacent entities, hyper-relations, and entity position-aware information. As the name suggests, H2GNN operates in the hyperbolic space, which is more adept at capturing the tree-like hierarchy. We compare H2GNN with 15 baselines on knowledge hypergraphs, and it outperforms state-of-the-art approaches in both node classification and link prediction tasks.
• Abstract（参考訳）: 知識ハイパーグラフは、ハイパーエッジを使用して知識グラフを一般化し、複数のエンティティを接続し、複雑な関係を描写する。 既存の手法は、ハイパーエッジをバイナリ関係のより扱いやすいセットに変換するか、ハイパーエッジを独立したものとみなし、それらの隣接を無視する。 どちらのアプローチも情報損失があり、潜在的には準最適モデルの作成につながる可能性がある。 これらの問題を解決するために,ハイパーグラフニューラルネットワーク (H2GNN) を提案する。 直接埋め込みを実装し、隣接するエンティティ、ハイパーリレーション、エンティティ位置認識情報を意識的に組み込む。 名前が示すように、H2GNNは双曲空間で機能し、木のような階層を捉えるのに適している。 我々はH2GNNを知識ハイパーグラフに基づく15のベースラインと比較し、ノード分類とリンク予測の両タスクにおいて最先端のアプローチよりも優れています。

関連論文リスト

• Hyperedge Interaction-aware Hypergraph Neural Network [11.359757898963284]
  HeIHNNはハイパーエッジインタラクションを意識したハイパーグラフニューラルネットワークである。 本稿では,ハイパーエッジとノード間の情報フローを向上させる新しいメカニズムを提案する。
  論文  参考訳（メタデータ） (2024-01-28T07:05:30Z)
• Hypergraph Transformer for Semi-Supervised Classification [50.92027313775934]
  我々は新しいハイパーグラフ学習フレームワークHyperGraph Transformer(HyperGT)を提案する。 HyperGTはTransformerベースのニューラルネットワークアーキテクチャを使用して、すべてのノードとハイパーエッジのグローバル相関を効果的に検討する。 局所接続パターンを保ちながら、グローバルな相互作用を効果的に組み込むことで、包括的なハイパーグラフ表現学習を実現する。
  論文  参考訳（メタデータ） (2023-12-18T17:50:52Z)
• Joint Entity and Relation Extraction with Span Pruning and Hypergraph Neural Networks [58.43972540643903]
  PLマーカ(最先端マーカーベースピプレリンモデル)上に構築されたEREのためのHyperGraphニューラルネットワーク(hgnn$)を提案する。 エラーの伝播を軽減するため,NERモジュールからのエンティティ識別とラベル付けの負担をモデルのジョイントモジュールに転送するために,ハイリコールプルーナー機構を用いる。 EREタスクに広く使用されている3つのベンチマークの実験は、以前の最先端のPLマーカーよりも大幅に改善されている。
  論文  参考訳（メタデータ） (2023-10-26T08:36:39Z)
• From Hypergraph Energy Functions to Hypergraph Neural Networks [94.88564151540459]
  パラメータ化されたハイパーグラフ正規化エネルギー関数の表現型族を示す。 次に、これらのエネルギーの最小化がノード埋め込みとして効果的に機能することを実証する。 提案した双レベルハイパーグラフ最適化と既存のGNNアーキテクチャを共通的に用いている。
  論文  参考訳（メタデータ） (2023-06-16T04:40:59Z)
• Augmentations in Hypergraph Contrastive Learning: Fabricated and Generative [126.0985540285981]
  我々は、ハイパーグラフニューラルネットワークの一般化性を改善するために、画像/グラフからの対照的な学習アプローチ(ハイパーGCLと呼ぶ)を適用する。 我々は、高次関係を符号化したハイパーエッジを増大させる2つのスキームを作成し、グラフ構造化データから3つの拡張戦略を採用する。 拡張ビューを生成するためのハイパーグラフ生成モデルを提案し、次に、ハイパーグラフ拡張とモデルパラメータを協調的に学習するエンド・ツー・エンドの微分可能なパイプラインを提案する。
  論文  参考訳（メタデータ） (2022-10-07T20:12:20Z)
• Hypergraph Convolutional Networks via Equivalency between Hypergraphs and Undirected Graphs [59.71134113268709]
  本稿では,EDVWおよびEIVWハイパーグラフを処理可能な一般学習フレームワークであるGeneral Hypergraph Spectral Convolution(GHSC)を提案する。 本稿では,提案するフレームワークが最先端の性能を達成できることを示す。 ソーシャルネットワーク分析,視覚的客観的分類,タンパク質学習など,様々な分野の実験により,提案手法が最先端の性能を達成できることが実証された。
  論文  参考訳（メタデータ） (2022-03-31T10:46:47Z)
• HEAT: Hyperedge Attention Networks [34.65832569321654]
  HEATは型付きハイパーグラフと資格付きハイパーグラフを表現可能なニューラルモデルである。 これは、メッセージパッシングニューラルネットワークとトランスフォーマーの両方の一般化と見なすことができる。 プログラムの新たなハイパーグラフ表現を用いた知識ベース補完とバグ検出と修復について評価する。
  論文  参考訳（メタデータ） (2022-01-28T13:42:01Z)
• Adaptive Neural Message Passing for Inductive Learning on Hypergraphs [21.606287447052757]
  本稿では,新しいハイパーグラフ学習フレームワークHyperMSGを紹介する。 各ノードの次数集中度に関連する注意重みを学習することで、データとタスクに適応する。 堅牢で、幅広いタスクやデータセットで最先端のハイパーグラフ学習手法より優れています。
  論文  参考訳（メタデータ） (2021-09-22T12:24:02Z)
• 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)
• HyperSAGE: Generalizing Inductive Representation Learning on Hypergraphs [24.737560790401314]
  2段階のニューラルメッセージパッシング戦略を用いて、ハイパーグラフを介して情報を正確かつ効率的に伝播する新しいハイパーグラフ学習フレームワークHyperSAGEを提案する。 本稿では,HyperSAGEが代表的ベンチマークデータセット上で最先端のハイパーグラフ学習手法より優れていることを示す。
  論文  参考訳（メタデータ） (2020-10-09T13:28:06Z)

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。