論文の概要: Attention-Driven Metapath Encoding in Heterogeneous Graphs

• arxiv url: http://arxiv.org/abs/2412.20678v1
• Date: Mon, 30 Dec 2024 03:15:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-31 16:05:26.870907
• Title: Attention-Driven Metapath Encoding in Heterogeneous Graphs
• Title（参考訳）: 不均一グラフにおけるアテンション駆動型メタパス符号化
• Authors: Calder Katyal,
• Abstract要約: 不均一グラフにおけるノード分類における新しい手法の1つは、メタパスと呼ばれる事前に定義された意味論的意味のある構造にメッセージアグリゲーションを制限することである。 この研究は、中間ノードを落とさずに、すべてのメタパスを符号化するプロセスに注意を向ける最初の試みである。 特に,2つのエンコーダを構築する。第1に,オプテマグナで設計されたマルチホップメッセージパッシングアルゴリズムをメタパス設定に拡張し,第2に,メタパスのセマンティックリレーションを抽出するために直接注意を組み込む。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: One of the emerging techniques in node classification in heterogeneous graphs is to restrict message aggregation to pre-defined, semantically meaningful structures called metapaths. This work is the first attempt to incorporate attention into the process of encoding entire metapaths without dropping intermediate nodes. In particular, we construct two encoders: the first uses sequential attention to extend the multi-hop message passing algorithm designed in \citet{magna} to the metapath setting, and the second incorporates direct attention to extract semantic relations in the metapath. The model then employs the intra-metapath and inter-metapath aggregation mechanisms of \citet{han}. We furthermore use the powerful training scheduler specialized for heterogeneous graphs that was developed in \citet{lts}, ensuring the model slowly learns how to classify the most difficult nodes. The result is a resilient, general-purpose framework for capturing semantic structures in heterogeneous graphs. In particular, we demonstrate that our model is competitive with state-of-the-art models on performing node classification on the IMDB dataset, a popular benchmark introduced in \citet{benchmark}.
• Abstract（参考訳）: 不均一グラフにおけるノード分類における新しい手法の1つは、メタパスと呼ばれる事前に定義された意味論的意味のある構造にメッセージアグリゲーションを制限することである。 この研究は、中間ノードを落とさずに、すべてのメタパスを符号化するプロセスに注意を向ける最初の試みである。 特に,2つのエンコーダを構築する。第1に,<citet{magna} で設計されたマルチホップメッセージパッシングアルゴリズムをメタパス設定に拡張し,第2に,メタパスのセマンティックリレーションを抽出するために直接注意を組み込む。 次に、モデルでは \citet{han} のメタパス内およびメタパス間凝集機構を用いる。 さらに, ヘテロジニアスグラフに特化した強力なトレーニングスケジューラを用いて, モデルがより困難なノードをゆっくりと分類する方法を学べるようにした。 その結果、不均一グラフのセマンティック構造を捉えるためのレジリエントで汎用的なフレームワークとなる。 特に,我々は,IMDBデータセット上でノード分類を行う上で,最先端モデルと競合することを示す。

関連論文リスト

• Contrastive Meta-Learning for Few-shot Node Classification [54.36506013228169]
  少ないショットノード分類は、限定されたラベル付きノードのみを参照としてグラフ上のノードのラベルを予測することを目的としている。 グラフ上にCOSMICという新しい対照的なメタラーニングフレームワークを2つの重要な設計で作成する。
  論文  参考訳（メタデータ） (2023-06-27T02:22:45Z)
• GrannGAN: Graph annotation generative adversarial networks [72.66289932625742]
  本稿では,高次元分布をモデル化し,グラフスケルトンと整合した複雑な関係特徴構造を持つデータの新しい例を生成することの問題点を考察する。 提案するモデルは,タスクを2つのフェーズに分割することで,各データポイントのグラフ構造に制約されたデータ特徴を生成する問題に対処する。 第一に、与えられたグラフのノードに関連する機能の分布をモデル化し、第二に、ノードのフィーチャに条件付きでエッジ機能を補完する。
  論文  参考訳（メタデータ） (2022-12-01T11:49:07Z)
• MECCH: Metapath Context Convolution-based Heterogeneous Graph Neural Networks [45.68142605304948]
  複数のノードとエッジを持つ構造データの表現学習のために、不均一グラフニューラルネットワーク(HGNN)が提案された。 メタパスコンテキスト畳み込みに基づく異種グラフニューラルネットワーク(MECCH)を提案する。
  論文  参考訳（メタデータ） (2022-11-23T09:13:33Z)
• 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)
• 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)
• Joint Graph Learning and Matching for Semantic Feature Correspondence [69.71998282148762]
  本稿では,グラフマッチングを向上するための信頼度の高いグラフ構造を探索するために,GLAMという共用電子グラフ学習とマッチングネットワークを提案する。 提案手法は,3つの人気ビジュアルマッチングベンチマーク (Pascal VOC, Willow Object, SPair-71k) で評価される。 すべてのベンチマークにおいて、従来の最先端のグラフマッチング手法よりも大きなマージンを達成している。
  論文  参考訳（メタデータ） (2021-09-01T08:24:02Z)
• Higher-Order Attribute-Enhancing Heterogeneous Graph Neural Networks [67.25782890241496]
  異種ネットワーク表現学習のための高次属性強化グラフニューラルネットワーク(HAEGNN)を提案する。 HAEGNNは、リッチで異質なセマンティクスのためのメタパスとメタグラフを同時に組み込む。 ノード分類、ノードクラスタリング、可視化における最先端の手法よりも優れたパフォーマンスを示す。
  論文  参考訳（メタデータ） (2021-04-16T04:56:38Z)
• 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 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)
• MAGNN: Metapath Aggregated Graph Neural Network for Heterogeneous Graph Embedding [36.6390478350677]
  本稿では,Metapath Aggregated Graph Neural Network (MAGNN) と呼ばれる新しいモデルを提案する。 MAGNNは、入力ノード属性をカプセル化するノードコンテンツ変換、中間的なセマンティックノードを組み込むMetapath内アグリゲーション、複数のメタパスからのメッセージを統合するMetapath間アグリゲーションという3つの主要なコンポーネントを使用している。 実験により、MAGNNは最先端のベースラインよりも正確な予測結果が得られることが示された。
  論文  参考訳（メタデータ） (2020-02-05T08:21:00Z)

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。