論文の概要: HyGEN: Regularizing Negative Hyperedge Generation for Accurate Hyperedge Prediction

• arxiv url: http://arxiv.org/abs/2502.05827v1
• Date: Sun, 09 Feb 2025 09:27:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-11 14:30:12.202806
• Title: HyGEN: Regularizing Negative Hyperedge Generation for Accurate Hyperedge Prediction
• Title（参考訳）: HyGEN: 正確なハイパーエッジ予測のための正規化負のハイパーエッジ生成
• Authors: Song Kyung Yu, Da Eun Lee, Yunyong Ko, Sang-Wook Kim,
• Abstract要約: ハイパーエッジ予測は、観測されたネットワーク構造に基づいて将来の高次関係を予測するための基本的なタスクである。 しかし、既存のハイパーエッジ予測手法は、データ空間の問題に悩まされている。 本稿では,より現実的なものを生成するためのガイダンスとして,正のハイパーエッジを用いた負のハイパーエッジジェネレータを用いた新しいハイパーエッジ予測手法HyGENを提案する。
• 参考スコア（独自算出の注目度）: 16.673776336773738
• License:
• Abstract: Hyperedge prediction is a fundamental task to predict future high-order relations based on the observed network structure. Existing hyperedge prediction methods, however, suffer from the data sparsity problem. To alleviate this problem, negative sampling methods can be used, which leverage non-existing hyperedges as contrastive information for model training. However, the following important challenges have been rarely studied: (C1) lack of guidance for generating negatives and (C2) possibility of producing false negatives. To address them, we propose a novel hyperedge prediction method, HyGEN, that employs (1) a negative hyperedge generator that employs positive hyperedges as a guidance to generate more realistic ones and (2) a regularization term that prevents the generated hyperedges from being false negatives. Extensive experiments on six real-world hypergraphs reveal that HyGEN consistently outperforms four state-of-the-art hyperedge prediction methods.
• Abstract（参考訳）: ハイパーエッジ予測は、観測されたネットワーク構造に基づいて将来の高次関係を予測するための基本的なタスクである。 しかし、既存のハイパーエッジ予測手法は、データ空間の問題に悩まされている。 この問題を緩和するために、非既存のハイパーエッジをモデルトレーニングのコントラスト情報として活用するネガティブサンプリング手法を用いることができる。 しかし, (C1) 陰性発生誘導の欠如, (C2) 偽陰性発生の可能性など, 重要な課題はほとんど研究されていない。 そこで本研究では,(1) より現実的なものを生成するためのガイダンスとして正のハイパーエッジを用いた負のハイパーエッジジェネレータ,(2) 生成したハイパーエッジが偽陰性になることを防ぐ正規化用語を用いた新しいハイパーエッジ予測手法であるHyGENを提案する。 6つの実世界のハイパーグラフに対する大規模な実験により、HyGENは4つの最先端のハイパーエッジ予測手法を一貫して上回っていることが明らかになった。

関連論文リスト

• Scalable and Effective Negative Sample Generation for Hyperedge Prediction [55.9298019975967]
  ハイパーエッジ予測は、Webベースのアプリケーションにおける複雑なマルチエンタリティ相互作用を理解するために不可欠である。 従来の手法では、正と負のインスタンスの不均衡により、高品質な負のサンプルを生成するのが困難であることが多い。 本稿では,これらの課題に対処するために拡散モデルを利用するハイパーエッジ予測(SEHP)フレームワークのスケーラブルで効果的な負のサンプル生成について述べる。
  論文  参考訳（メタデータ） (2024-11-19T09:16:25Z)
• Generative Edge Detection with Stable Diffusion [52.870631376660924]
  エッジ検出は一般的に、主に識別法によって対処されるピクセルレベルの分類問題と見なされる。 本稿では、事前学習した安定拡散モデルのポテンシャルを十分に活用して、GED(Generative Edge Detector)という新しい手法を提案する。 複数のデータセットに対して広範な実験を行い、競争性能を達成する。
  論文  参考訳（メタデータ） (2024-10-04T01:52:23Z)
• Conformal Generative Modeling with Improved Sample Efficiency through Sequential Greedy Filtering [55.15192437680943]
  生成モデルは出力に対する厳密な統計的保証を欠いている。 厳密な統計的保証を満たす予測セットを生成する逐次共形予測法を提案する。 このことは、高い確率で予測セットが少なくとも1つの許容可能な(または有効な)例を含むことを保証している。
  論文  参考訳（メタデータ） (2024-10-02T15:26:52Z)
• Enhancing Hyperedge Prediction with Context-Aware Self-Supervised Learning [57.35554450622037]
  我々は新しいハイパーエッジ予測フレームワーク(CASH)を提案する。 CASHは、コンテキスト認識ノードアグリゲーションを用いて、(C1)ハイパーエッジの各ノード間の複雑な関係をキャプチャし、(2)ハイパーエッジ予測のコンテキストにおける自己教師付きコントラスト学習を行い、(C2)ハイパーグラフ表現を強化する。 6つの実世界のハイパーグラフの実験により、CASHはハイパーエッジ予測の精度で競合する全ての手法を一貫して上回っていることが明らかとなった。
  論文  参考訳（メタデータ） (2023-09-11T20:06:00Z)
• AHP: Learning to Negative Sample for Hyperedge Prediction [14.830450801473459]
  逆トレーニングに基づくハイパーエッジ予測法であるAHPを提案する。 いかなるスキームにも依存せずに、ネガティブな例をサンプリングすることを学ぶ。 既存の方法よりも最大28.2%高いAUROCが得られる。
  論文  参考訳（メタデータ） (2022-04-13T13:09:35Z)
• Learning to Predict Trustworthiness with Steep Slope Loss [69.40817968905495]
  本研究では,現実の大規模データセットにおける信頼性の予測問題について検討する。 我々は、先行技術損失関数で訓練された信頼性予測器が、正しい予測と誤った予測の両方を信頼に値するものとみなす傾向があることを観察する。 そこで我々は,2つのスライド状の曲線による不正確な予測から,特徴w.r.t.正しい予測を分離する,新たな急勾配損失を提案する。
  論文  参考訳（メタデータ） (2021-09-30T19:19:09Z)
• Latent Gaussian Model Boosting [0.0]
  ツリーブースティングは多くのデータセットに対して優れた予測精度を示す。 シミュレーションおよび実世界のデータ実験において,既存の手法と比較して予測精度が向上した。
  論文  参考訳（メタデータ） (2021-05-19T07:36:30Z)
• Estimation with Uncertainty via Conditional Generative Adversarial Networks [3.829070379776576]
  条件付き生成逆数ネットワーク(cGAN)におけるジェネレータの使い方が異なる予測確率型ニューラルネットワークモデルを提案する。 通常のcGANの入力と出力を反転させることで、モデルを予測モデルとしてうまく利用することができる。 さらに,予測の不確実性を測定するために,回帰問題や分類問題に対するエントロピーと相対エントロピーを導入する。
  論文  参考訳（メタデータ） (2020-07-01T08:54:17Z)
• Understanding and Mitigating the Tradeoff Between Robustness and Accuracy [88.51943635427709]
  逆行訓練は、堅牢なエラーを改善するために、摂動でトレーニングセットを増強する。 拡張摂動が最適線形予測器からノイズのない観測を行う場合であっても,標準誤差は増大する可能性がある。
  論文  参考訳（メタデータ） (2020-02-25T08:03:01Z)

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。