論文の概要: Understanding the Design Principles of Link Prediction in Directed Settings

• arxiv url: http://arxiv.org/abs/2502.15008v1
• Date: Thu, 20 Feb 2025 20:01:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-24 19:42:22.247872
• Title: Understanding the Design Principles of Link Prediction in Directed Settings
• Title（参考訳）: 方向性設定におけるリンク予測の設計原理の理解
• Authors: Jun Zhai, Muberra Ozmen, Thomas Markovich,
• Abstract要約: リンク予測はグラフ表現学習(GRL)において広く研究されている課題である 本稿では,非方向設定で成功したキーキャパシティを評価することで,リンクの方向予測の課題に焦点をあてる。 本稿では,これらを有向リンク予測タスクに簡易かつ効果的に適応させ,これらの修正によって競争性能が向上することを示す。
• 参考スコア（独自算出の注目度）: 1.6727186769396276
• License:
• Abstract: Link prediction is a widely studied task in Graph Representation Learning (GRL) for modeling relational data. The early theories in GRL were based on the assumption of a symmetric adjacency matrix, reflecting an undirected setting. As a result, much of the following state-of-the-art research has continued to operate under this symmetry assumption, even though real-world data often involve crucial information conveyed through the direction of relationships. This oversight limits the ability of these models to fully capture the complexity of directed interactions. In this paper, we focus on the challenge of directed link prediction by evaluating key heuristics that have been successful in undirected settings. We propose simple but effective adaptations of these heuristics to the directed link prediction task and demonstrate that these modifications produce competitive performance compared to the leading Graph Neural Networks (GNNs) originally designed for undirected graphs. Through an extensive set of experiments, we derive insights that inform the development of a novel framework for directed link prediction, which not only surpasses baseline methods but also outperforms state-of-the-art GNNs on multiple benchmarks.
• Abstract（参考訳）: リンク予測は、関係データをモデル化するためのグラフ表現学習(GRL)において広く研究されている課題である。 GRLの初期の理論は、非指向的な設定を反映して対称な隣接行列の仮定に基づいていた。 その結果、実際のデータは、しばしば関係の方向を通して伝達される重要な情報を含むにもかかわらず、以下の最先端の研究の多くは、この対称性の仮定の下で運営され続けている。 この監視は、これらのモデルが指示された相互作用の複雑さを完全に捉える能力を制限する。 本稿では,非方向設定で成功したキーヒューリスティックスを評価することで,リンクの方向予測の課題に焦点をあてる。 本稿では、これらのヒューリスティックを有向リンク予測タスクに簡易かつ効果的に適応させることを提案し、これらの修正によって、本来無向グラフ用に設計された主要なグラフニューラルネットワーク(GNN)と比較して、競争性能が向上することを示した。 提案手法は,ベースライン手法を超越するだけでなく,複数のベンチマーク上での最先端のGNNよりも優れた性能を持つ,有向リンク予測のための新しいフレームワークの開発を示唆する知見を導出する。

関連論文リスト

• RelGNN: Composite Message Passing for Relational Deep Learning [56.48834369525997]
  本稿では,リレーショナルデータベースの特徴を捉えた新しいGNNフレームワークであるRelGNNを紹介する。 我々のアプローチの核となるのは、高次三部構造を形成するノードの列である原子経路の導入である。 RelGNNは、最先端の精度を最大25%改善して一貫して達成している。
  論文  参考訳（メタデータ） (2025-02-10T18:58:40Z)
• Rethinking Link Prediction for Directed Graphs [73.36395969796804]
  有向グラフのリンク予測は、様々な現実世界のアプリケーションにとって重要な課題である。 埋め込み手法とグラフニューラルネットワーク(GNN)の最近の進歩は、有望な改善を示している。 本稿では,既存手法の表現性を評価するための統一的なフレームワークを提案し,二重埋め込みとデコーダ設計が性能に与える影響を強調した。
  論文  参考訳（メタデータ） (2025-02-08T23:51:05Z)
• Reconsidering the Performance of GAE in Link Prediction [27.038895601935195]
  グラフオートエンコーダ(GAE)の可能性について検討する。 この結果から,より複雑なモデルの性能によく最適化されたGAEが一致し,計算効率が向上することがわかった。
  論文  参考訳（メタデータ） (2024-11-06T11:29:47Z)
• Pre-trained Graphformer-based Ranking at Web-scale Search (Extended Abstract) [56.55728466130238]
  本稿では,変換器の回帰能力をGNNのリンク予測強度と統合することを目的とした新しいMPGrafモデルを提案する。 我々は、MPGrafの性能を厳格に評価するために、大規模なオフラインおよびオンライン実験を行っている。
  論文  参考訳（メタデータ） (2024-09-25T03:33:47Z)
• Neural Tangent Kernels Motivate Graph Neural Networks with Cross-Covariance Graphs [94.44374472696272]
  グラフニューラルネットワーク(GNN)の文脈におけるNTKとアライメントについて検討する。 その結果、2層GNNのアライメントの最適性に関する理論的保証が確立された。 これらの保証は、入力と出力データの相互共分散の関数であるグラフシフト演算子によって特徴づけられる。
  論文  参考訳（メタデータ） (2023-10-16T19:54:21Z)
• Label Deconvolution for Node Representation Learning on Large-scale Attributed Graphs against Learning Bias [75.44877675117749]
  本稿では,GNNの逆写像に対する新しい,スケーラブルな近似による学習バイアスを軽減するために,ラベルの効率的な正規化手法,すなわちラベルのデコンボリューション(LD)を提案する。 実験では、LDはOpen Graphデータセットのベンチマークで最先端のメソッドを大幅に上回っている。
  論文  参考訳（メタデータ） (2023-09-26T13:09:43Z)
• A parameterised model for link prediction using node centrality and similarity measure based on graph embedding [5.507008181141738]
  リンク予測は、グラフ機械学習の重要な側面である。 ネットワークノード間で形成される可能性のある新しいリンクを予測する必要がある。 既存のモデルには重大な欠点がある。 ノードの集中度と類似度をベースとしています。 Model (NCSM) - リンク予測タスクの新しい方法。
  論文  参考訳（メタデータ） (2023-09-11T13:13:54Z)
• Variational Disentangled Graph Auto-Encoders for Link Prediction [10.390861526194662]
  本稿では,DGAE(disentangled graph auto-encoder)とVDGAE(variantal disentangled graph auto-encoder)の2つの変種を持つ新しいフレームワークを提案する。 提案フレームワークは,グラフのエッジの原因となる潜伏因子を推定し,その表現を一意の潜伏因子に対応する複数のチャネルに分解する。
  論文  参考訳（メタデータ） (2023-06-20T06:25:05Z)
• Deepened Graph Auto-Encoders Help Stabilize and Enhance Link Prediction [11.927046591097623]
  リンク予測は、浅層グラフオートエンコーダ(GAE)アーキテクチャの1層または2層に基づく現在の最先端モデルを用いて、比較的未研究のグラフ学習タスクである。 本論文では,浅いGAEと変動GAEしか使用できないリンク予測の現在の手法の限界に対処することに焦点をあてる。 提案手法はGAEのアーキテクチャに標準オートエンコーダ(AE)を革新的に組み込んでおり、標準AEは隣接情報とノード機能をシームレスに統合することで必要不可欠な低次元表現を学習する。
  論文  参考訳（メタデータ） (2021-03-21T14:43:10Z)
• 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。