論文の概要: Enhancing the Utility of Higher-Order Information in Relational Learning

• arxiv url: http://arxiv.org/abs/2502.09570v1
• Date: Thu, 13 Feb 2025 18:28:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-14 13:50:15.700184
• Title: Enhancing the Utility of Higher-Order Information in Relational Learning
• Title（参考訳）: 関係学習における高次情報の有用性向上
• Authors: Raphael Pellegrin, Lukas Fesser, Melanie Weber,
• Abstract要約: 関係学習におけるハイパーグラフレベルのアーキテクチャとグラフレベルのアーキテクチャの有効性を評価する。 本稿では,古典的なハイパーグラフ特性に基づくハイパーグラフレベルの符号化を提案する。 理論解析により,ハイパーグラフレベルの符号化がメッセージパッシンググラフニューラルネットワークの表現力を高めることが確認できた。
• 参考スコア（独自算出の注目度）: 0.9899763598214121
• License:
• Abstract: Higher-order information is crucial for relational learning in many domains where relationships extend beyond pairwise interactions. Hypergraphs provide a natural framework for modeling such relationships, which has motivated recent extensions of graph neural net- work architectures to hypergraphs. However, comparisons between hypergraph architectures and standard graph-level models remain limited. In this work, we systematically evaluate a selection of hypergraph-level and graph-level architectures, to determine their effectiveness in leveraging higher-order information in relational learning. Our results show that graph-level architectures applied to hypergraph expansions often outperform hypergraph- level ones, even on inputs that are naturally parametrized as hypergraphs. As an alternative approach for leveraging higher-order information, we propose hypergraph-level encodings based on classical hypergraph characteristics. While these encodings do not significantly improve hypergraph architectures, they yield substantial performance gains when combined with graph-level models. Our theoretical analysis shows that hypergraph-level encodings provably increase the representational power of message-passing graph neural networks beyond that of their graph-level counterparts.
• Abstract（参考訳）: 高次情報は、関係が対の相互作用を超えて広がる多くの領域において、関係学習にとって不可欠である。 ハイパーグラフはそのような関係をモデル化するための自然なフレームワークを提供しており、グラフニューラルネットワークアーキテクチャのハイパーグラフへの最近の拡張を動機付けている。 しかし、ハイパーグラフアーキテクチャと標準グラフレベルのモデルの比較は依然として限られている。 本研究では,ハイパーグラフレベルのアーキテクチャとグラフレベルのアーキテクチャの選択を体系的に評価し,関係学習における高次情報活用の有効性を判定する。 以上の結果から,ハイパーグラフ拡張に適用されたグラフレベルのアーキテクチャは,自然にハイパーグラフとしてパラメータ化される入力においても,ハイパーグラフレベルのアーキテクチャよりも優れていることが示唆された。 高次情報を活用するための代替手法として,古典的ハイパーグラフ特性に基づくハイパーグラフレベルの符号化を提案する。 これらのエンコーディングはハイパーグラフアーキテクチャを著しく改善するわけではないが、グラフレベルのモデルと組み合わせるとかなりの性能向上をもたらす。 我々の理論的分析は、ハイパーグラフレベルの符号化は、グラフレベルの符号化よりも、メッセージパスグラフニューラルネットワークの表現力を確実に向上させることを示している。

関連論文リスト

• Hypergraph-enhanced Dual Semi-supervised Graph Classification [14.339207883093204]
  半教師付きグラフ分類のためのハイパーグラフ拡張DuALフレームワークHEALを提案する。 ノード間の高次関係をよりよく探求するために,複雑なノード依存を適応的に学習するハイパーグラフ構造を設計する。 学習したハイパーグラフに基づいて,ハイパーエッジ間の相互作用を捉える線グラフを導入する。
  論文  参考訳（メタデータ） (2024-05-08T02:44:13Z)
• 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)
• Learning from Heterogeneity: A Dynamic Learning Framework for Hypergraphs [22.64740740462169]
  本稿では,動的ハイパーエッジ構築と注意深い埋め込み更新が可能なLFHというハイパーグラフ学習フレームワークを提案する。 提案手法の有効性を評価するため,いくつかの一般的なデータセットを対象とした総合的な実験を行った。
  論文  参考訳（メタデータ） (2023-07-07T06:26:44Z)
• 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)
• Tensorized Hypergraph Neural Networks [69.65385474777031]
  我々は,新しいアジャケーシテンソルベースのtextbfTensorized textbfHypergraph textbfNeural textbfNetwork (THNN) を提案する。 THNNは高次外装機能パッシングメッセージを通じて、忠実なハイパーグラフモデリングフレームワークである。 3次元視覚オブジェクト分類のための2つの広く使われているハイパーグラフデータセットの実験結果から、モデルの有望な性能を示す。
  論文  参考訳（メタデータ） (2023-06-05T03:26:06Z)
• 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)
• Deep Hypergraph Structure Learning [34.972686247703024]
  高次相関の学習は、近年、ハイパーグラフが広く使われているデータ表現学習において、優位性を示している。 データ間のハイパーグラフ構造の生成方法はまだ難しい課題です。 DeepHGSLはハイパーグラフに基づく表現学習のためのハイパーグラフ構造を最適化するために設計されている。
  論文  参考訳（メタデータ） (2022-08-26T10:00:11Z)
• 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)
• 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)
• Tensor Graph Convolutional Networks for Multi-relational and Robust Learning [74.05478502080658]
  本稿では,テンソルで表されるグラフの集合に関連するデータから,スケーラブルな半教師付き学習(SSL)を実現するためのテンソルグラフ畳み込みネットワーク(TGCN)を提案する。 提案アーキテクチャは、標準的なGCNと比較して大幅に性能が向上し、最先端の敵攻撃に対処し、タンパク質間相互作用ネットワーク上でのSSL性能が著しく向上する。
  論文  参考訳（メタデータ） (2020-03-15T02:33:21Z)

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。