論文の概要: FHGE: A Fast Heterogeneous Graph Embedding with Ad-hoc Meta-paths
- arxiv url: http://arxiv.org/abs/2502.16281v1
- Date: Sat, 22 Feb 2025 16:26:18 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-02-25 15:53:20.532804
- Title: FHGE: A Fast Heterogeneous Graph Embedding with Ad-hoc Meta-paths
- Title（参考訳）: FHGE: アドホックなメタパスを組み込んだ高速な不均一グラフ
- Authors: Xuqi Mao, Zhenying He, X. Sean Wang,
- Abstract要約: メタパス誘導グラフ埋め込みの効率的かつ再学習不要な生成のための高速不均一グラフ埋め込み(FHGE)を提案する。
提案するフレームワークでは,MPU(Meta-Path Units)を使用してグラフを局所的およびグローバルなコンポーネントに分割する。
多様なデータセットにわたる実験は、メタパス誘導グラフ埋め込みの生成におけるFHGEの有効性と効率を示す。
- 参考スコア（独自算出の注目度）: 4.114908634432608
- License:
- Abstract: Graph neural networks (GNNs) have emerged as the state of the art for a variety of graph-related tasks and have been widely used in Heterogeneous Graphs (HetGs), where meta-paths help encode specific semantics between various node types. Despite the revolutionary representation capabilities of existing heterogeneous GNNs (HGNNs) due to their focus on improving the effectiveness of heterogeneity capturing, the huge training costs hinder their practical deployment in real-world scenarios that frequently require handling ad-hoc queries with user-defined meta-paths. To address this, we propose FHGE, a Fast Heterogeneous Graph Embedding designed for efficient, retraining-free generation of meta-path-guided graph embeddings. The key design of the proposed framework is two-fold: segmentation and reconstruction modules. It employs Meta-Path Units (MPUs) to segment the graph into local and global components, enabling swift integration of node embeddings from relevant MPUs during reconstruction and allowing quick adaptation to specific meta-paths. In addition, a dual attention mechanism is applied to enhance semantics capturing. Extensive experiments across diverse datasets demonstrate the effectiveness and efficiency of FHGE in generating meta-path-guided graph embeddings and downstream tasks, such as link prediction and node classification, highlighting its significant advantages for real-time graph analysis in ad-hoc queries.
- Abstract（参考訳）: グラフニューラルネットワーク(GNN)は、さまざまなグラフ関連タスクの最先端として登場し、異種グラフ(HetG)で広く使用されている。
既存の異種GNN(HGNN)の革命的表現能力は、異種捕獲の有効性の向上に重点を置いているにもかかわらず、膨大なトレーニングコストは、ユーザ定義のメタパスでアドホッククエリを頻繁に処理する必要のある現実シナリオへの実践的な展開を妨げる。
これを解決するために,メタパス誘導グラフ埋め込みの効率的かつ再学習不要な生成を目的とした高速不均一グラフ埋め込みFHGEを提案する。
提案するフレームワークの鍵となる設計は、セグメンテーションと再構築モジュールである。
グラフをローカルおよびグローバルなコンポーネントに分割するためにMeta-Path Units(MPU)を使用し、再構築中に関連するMPUからのノード埋め込みを迅速に統合し、特定のメタパスへの迅速な適応を可能にする。
さらに、セマンティックスキャプチャーを強化するために、二重注意機構を適用した。
多様なデータセットにわたる大規模な実験は、メタパス誘導グラフ埋め込みと、リンク予測やノード分類といった下流タスクの生成におけるFHGEの有効性と効率を実証し、アドホッククエリにおけるリアルタイムグラフ解析に対する大きな利点を強調している。
関連論文リスト
- SiHGNN: Leveraging Properties of Semantic Graphs for Efficient HGNN Acceleration [9.85638913900595]
不均一グラフニューラルネットワーク (HGNN) は、グラフ表現学習を異種グラフ場に拡張した。
近年の研究では、医療分析やレコメンデーションシステムなど、様々な応用において優れた性能を示している。
我々は,SiHGNNと呼ばれるHGNN用の軽量ハードウェアアクセラレータを提案する。このアクセラレータはツリーベースのセマンティックグラフビルダーを組み込んで,効率的なセマンティックグラフ生成を実現し,セマンティックグラフレイアウトを最適化するための新しいグラフ再構成器を備えている。
論文 参考訳（メタデータ） (2024-08-27T14:20:21Z) - DGNN: Decoupled Graph Neural Networks with Structural Consistency
between Attribute and Graph Embedding Representations [62.04558318166396]
グラフニューラルネットワーク(GNN)は、複雑な構造を持つグラフ上での表現学習の堅牢性を示す。
ノードのより包括的な埋め込み表現を得るために、Decoupled Graph Neural Networks (DGNN)と呼ばれる新しいGNNフレームワークが導入された。
複数のグラフベンチマークデータセットを用いて、ノード分類タスクにおけるDGNNの優位性を検証した。
論文 参考訳（メタデータ） (2024-01-28T06:43:13Z) - Differentiable Meta Multigraph Search with Partial Message Propagation
on Heterogeneous Information Networks [18.104982772430102]
異種情報ネットワーク(HIN)上でのニューラルネットワーク設計を自動的に最適化するPMMM(Partial Message Meta Multigraph Search)を提案する。
PMMMは、意味のあるメタマルチグラフを探すために効率的な微分可能なフレームワークを採用しており、メタグラフよりも柔軟で複雑なセマンティックな関係を捉えることができる。
我々の手法は、最先端の異種GNNより優れ、意味のあるメタマルチグラフを見つけ、より安定している。
論文 参考訳（メタデータ） (2022-11-27T07:35:42Z) - Relation Embedding based Graph Neural Networks for Handling
Heterogeneous Graph [58.99478502486377]
我々は、同種GNNが不均一グラフを扱うのに十分な能力を持つように、シンプルで効率的なフレームワークを提案する。
具体的には、エッジ型関係と自己ループ接続の重要性を埋め込むために、関係1つのパラメータのみを使用する関係埋め込みベースのグラフニューラルネットワーク(RE-GNN)を提案する。
論文 参考訳（メタデータ） (2022-09-23T05:24:18Z) - 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) - HeMI: Multi-view Embedding in Heterogeneous Graphs [8.87527266373087]
不均一グラフ(HG)の表現学習は、そのようなグラフの豊富な構造と意味を低次元空間に埋め込む。
本稿では,HGの構造的セマンティクス間の知識交換と発見に依存して,HG表現を学習する自己教師型手法を提案する。
提案手法は,全タスクにおいて1%,最大10%の効率で性能が向上し,競合手法の改善が図られている。
論文 参考訳（メタデータ） (2021-09-14T23:04:42Z) - 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) - Multi-Level Graph Convolutional Network with Automatic Graph Learning
for Hyperspectral Image Classification [63.56018768401328]
HSI分類のための自動グラフ学習法(MGCN-AGL)を用いたマルチレベルグラフ畳み込みネットワーク(GCN)を提案する。
空間的に隣接する領域における重要度を特徴付けるために注意機構を利用することで、最も関連性の高い情報を適応的に組み込んで意思決定を行うことができる。
MGCN-AGLは局所的に生成した表現表現に基づいて画像領域間の長距離依存性を符号化する。
論文 参考訳（メタデータ） (2020-09-19T09:26:20Z) - Policy-GNN: Aggregation Optimization for Graph Neural Networks [60.50932472042379]
グラフニューラルネットワーク(GNN)は、局所的なグラフ構造をモデル化し、隣人からの情報を集約することで階層的なパターンを捉えることを目的としている。
複雑なグラフとスパースな特徴を与えられた各ノードに対して効果的なアグリゲーション戦略を開発することは難しい課題である。
本稿では,GNNのサンプリング手順とメッセージパッシングを複合学習プロセスにモデル化するメタ政治フレームワークであるPolicy-GNNを提案する。
論文 参考訳（メタデータ） (2020-06-26T17:03:06Z) - Interpretable and Efficient Heterogeneous Graph Convolutional Network [27.316334213279973]
異種情報ネットワーク(HIN)におけるオブジェクトの表現を学習するための、解釈可能で効率的な異種グラフ畳み込みネットワーク(e-HGCN)を提案する。
ie-HGCNは、長さ制限内で可能なすべてのメタパスから、各オブジェクトの有用なメタパスを自動的に抽出することができる。
また、中間HIN変換や近傍の注意を回避して計算コストを削減できる。
論文 参考訳（メタデータ） (2020-05-27T06:06:00Z)
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。