論文の概要: CHAT: Beyond Contrastive Graph Transformer for Link Prediction in Heterogeneous Networks

• arxiv url: http://arxiv.org/abs/2501.02760v1
• Date: Mon, 06 Jan 2025 04:56:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-07 17:05:41.735375
• Title: CHAT: Beyond Contrastive Graph Transformer for Link Prediction in Heterogeneous Networks
• Title（参考訳）: CHAT: 異種ネットワークにおけるリンク予測のためのコントラストグラフ変換器を超えて
• Authors: Shengming Zhang, Le Zhang, Jingbo Zhou, Hui Xiong,
• Abstract要約: コントラスト型異種グラーフ変圧器(CHAT) 興味のあるノードを選択的に保持する新しいサンプリングベースのグラフトランスフォーマー技術。 複数のサンプリングを合成して予測精度を高めるアンサンブルリンク予測器。
• 参考スコア（独自算出の注目度）: 32.6731494049068
• License:
• Abstract: Link prediction in heterogeneous networks is crucial for understanding the intricacies of network structures and forecasting their future developments. Traditional methodologies often face significant obstacles, including over-smoothing-wherein the excessive aggregation of node features leads to the loss of critical structural details-and a dependency on human-defined meta-paths, which necessitate extensive domain knowledge and can be inherently restrictive. These limitations hinder the effective prediction and analysis of complex heterogeneous networks. In response to these challenges, we propose the Contrastive Heterogeneous grAph Transformer (CHAT). CHAT introduces a novel sampling-based graph transformer technique that selectively retains nodes of interest, thereby obviating the need for predefined meta-paths. The method employs an innovative connection-aware transformer to encode node sequences and their interconnections with high fidelity, guided by a dual-faceted loss function specifically designed for heterogeneous network link prediction. Additionally, CHAT incorporates an ensemble link predictor that synthesizes multiple samplings to achieve enhanced prediction accuracy. We conducted comprehensive evaluations of CHAT using three distinct drug-target interaction (DTI) datasets. The empirical results underscore CHAT's superior performance, outperforming both general-task approaches and models specialized in DTI prediction. These findings substantiate the efficacy of CHAT in addressing the complex problem of link prediction in heterogeneous networks.
• Abstract（参考訳）: 不均一ネットワークにおけるリンク予測は,ネットワーク構造の複雑さを理解し,今後の展開を予測する上で重要である。 ノード特徴の過剰な集約を含む従来の方法論は、重要な構造的詳細が失われることや、広範囲なドメイン知識を必要とし、本質的に制限を受けることのできる、人間定義のメタパスへの依存など、重大な障害に直面している。 これらの制限は、複雑な異種ネットワークの効果的な予測と解析を妨げる。 これらの課題に対応するために、コントラスト異種変圧器(CHAT)を提案する。 CHATは、興味のあるノードを選択的に保持することで、事前に定義されたメタパスの必要性を回避できる新しいサンプリングベースのグラフトランスフォーマー技術を導入している。 この手法は、ノードシーケンスとその相互接続を高忠実度で符号化する革新的な接続認識変換器を用いて、異種ネットワークリンク予測用に特別に設計された二重面損失関数で導かれる。 さらに、CHATにはアンサンブルリンク予測器が組み込まれており、複数のサンプリングを合成して予測精度を向上させる。 3種類の薬物-標的相互作用(DTI)データセットを用いたCHATの総合評価を行った。 実験結果はCHATの優れた性能を裏付けるもので、汎用タスクアプローチとDTI予測に特化したモデルの両方を上回っている。 これらの結果は、異種ネットワークにおけるリンク予測の複雑な問題に対するCHATの有効性を裏付けるものである。

関連論文リスト

• Anomaly Resilient Temporal QoS Prediction using Hypergraph Convoluted Transformer Network [0.47248250311484113]
  QoS(Quality-of-Service)予測は、サービスライフサイクルにおいて重要なタスクです。 従来の手法では、しばしばデータスパーシリティとコールドスタートの問題に遭遇する。 時間的予測のためのリアルタイム信頼対応フレームワークを導入する。
  論文  参考訳（メタデータ） (2024-10-23T11:01:39Z)
• End-to-End Heterogeneous Graph Neural Networks for Traffic Assignment [5.205252810216621]
  我々は、異種グラフニューラルネットワークのパワーを活用して、トラフィック割り当てのための新しいエンドツーエンドサロゲートモデルを提案する。 本モデルでは,アダプティブグラフアテンション機構と,原点-終点ノードペアを接続する補助的な"仮想"リンクを統合する。 提案するヘテロジニアスグラフニューラルネットワークモデルは,収束率や予測精度の観点から,従来のニューラルネットワークモデルよりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-10-19T23:04:09Z)
• GIT: Detecting Uncertainty, Out-Of-Distribution and Adversarial Samples using Gradients and Invariance Transformations [77.34726150561087]
  本稿では,ディープニューラルネットワークにおける一般化誤差検出のための総合的アプローチを提案する。 GITは勾配情報と不変変換の利用を組み合わせる。 本実験は,各種ネットワークアーキテクチャの最先端技術と比較して,GITの優れた性能を示すものである。
  論文  参考訳（メタデータ） (2023-07-05T22:04:38Z)
• Self-Supervised and Interpretable Anomaly Detection using Network Transformers [1.0705399532413615]
  本稿では,異常検出のためのNetwork Transformer(NeT)モデルを提案する。 NeTは、解釈性を改善するために、通信ネットワークのグラフ構造を組み込んでいる。 提案手法は, 産業制御システムにおける異常検出の精度を評価することによって検証された。
  論文  参考訳（メタデータ） (2022-02-25T22:05:59Z)
• Handling Distribution Shifts on Graphs: An Invariance Perspective [78.31180235269035]
  我々は、グラフ上のOOD問題を定式化し、新しい不変学習手法である探索・拡張リスク最小化(EERM)を開発する。 EERMは、複数の仮想環境からのリスクの分散を最大化するために、敵対的に訓練された複数のコンテキストエクスプローラーを利用する。 理論的に有効なOOD解の保証を示すことによって,本手法の有効性を実証する。
  論文  参考訳（メタデータ） (2022-02-05T02:31:01Z)
• Link Prediction with Contextualized Self-Supervision [63.25455976593081]
  リンク予測は、ネットワーク内の2つのノード間のリンクの存在を推測することを目的としている。 従来のリンク予測アルゴリズムは、リンク空間、ノード属性ノイズ、ネットワークダイナミクスという3つの大きな課題によって妨げられている。 本稿では,リンク予測のための構造的コンテキスト予測を完全に活用する,コンテキスト適応型自己監視学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-01-25T03:12:32Z)
• NOTMAD: Estimating Bayesian Networks with Sample-Specific Structures and Parameters [70.55488722439239]
  提案するNOTMADは,サンプルコンテキストに応じてアーキティパルネットワークの混合を学習する。 患者固有の遺伝子発現ネットワークを含む分析および実験を通じて,NOTMADとサンプル特異的ネットワーク推論の有用性を実証する。
  論文  参考訳（メタデータ） (2021-11-01T17:17:34Z)
• Adversarial Robustness of Probabilistic Network Embedding for Link Prediction [24.335469995826244]
  リンク予測のための条件付きネットワーク埋め込み(CNE)の対角的ロバスト性について検討する。 ネットワークの小さな対向摂動に対するモデルのリンク予測の感度を測定した。 我々のアプローチでは、そのような摂動に最も弱いネットワーク内のリンクとリンクを識別できる。
  論文  参考訳（メタデータ） (2021-07-05T11:07:35Z)
• Interpretable Social Anchors for Human Trajectory Forecasting in Crowds [84.20437268671733]
  本研究では,人混みの軌跡を予測できるニューラルネットワークシステムを提案する。 解釈可能なルールベースのインテントを学び、ニューラルネットワークの表現可能性を利用してシーン固有の残差をモデル化する。 私たちのアーキテクチャは、インタラクション中心のベンチマークTrajNet++でテストされています。
  論文  参考訳（メタデータ） (2021-05-07T09:22:34Z)
• 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)

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。