論文の概要: HetFS: A Method for Fast Similarity Search with Ad-hoc Meta-paths on Heterogeneous Information Networks

• arxiv url: http://arxiv.org/abs/2502.16288v1
• Date: Sat, 22 Feb 2025 16:36:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-25 15:53:19.856555
• Title: HetFS: A Method for Fast Similarity Search with Ad-hoc Meta-paths on Heterogeneous Information Networks
• Title（参考訳）: HetFS:異種情報ネットワーク上でのアドホックなメタパスを用いた高速類似検索手法
• Authors: Xuqi Mao, Zhenyi Chen, Zhenying He, Yinan Jing, Kai Zhang, X. Sean Wang,
• Abstract要約: HetFSは、異種情報ネットワーク上のユーザ登録メタパスを持つアドホッククエリの高速類似性手法である。 HetFSは、メタパス制限を満たすパス情報とノードの内容に基づいて、類似した結果を提供する。
• 参考スコア（独自算出の注目度）: 7.757707764416953
• License:
• Abstract: Numerous real-world information networks form Heterogeneous Information Networks (HINs) with diverse objects and relations represented as nodes and edges in heterogeneous graphs. Similarity between nodes quantifies how closely two nodes resemble each other, mainly depending on the similarity of the nodes they are connected to, recursively. Users may be interested in only specific types of connections in the similarity definition, represented as meta-paths, i.e., a sequence of node and edge types. Existing Heterogeneous Graph Neural Network (HGNN)-based similarity search methods may accommodate meta-paths, but require retraining for different meta-paths. Conversely, existing path-based similarity search methods may switch flexibly between meta-paths but often suffer from lower accuracy, as they rely solely on path information. This paper proposes HetFS, a Fast Similarity method for ad-hoc queries with user-given meta-paths on Heterogeneous information networks. HetFS provides similarity results based on path information that satisfies the meta-path restriction, as well as node content. Extensive experiments demonstrate the effectiveness and efficiency of HetFS in addressing ad-hoc queries, outperforming state-of-the-art HGNNs and path-based approaches, and showing strong performance in downstream applications, including link prediction, node classification, and clustering.
• Abstract（参考訳）: 多くの実世界の情報ネットワークは、異種グラフのノードとエッジとして表現される多様なオブジェクトと関係を持つ異種情報ネットワーク(HIN)を形成する。 ノード間の類似性は、2つのノードが互いにどのように類似しているかを定量化します。 ユーザーは類似性の定義において特定のタイプの接続のみに興味を持ち、メタパス、すなわちノードとエッジのシーケンスとして表現される。 既存のヘテロジニアスグラフニューラルネットワーク(HGNN)ベースの類似性探索手法は、メタパスに対応できるが、異なるメタパスに対する再訓練が必要である。 逆に、既存のパスベースの類似性検索手法は、メタパス間で柔軟に切り替えるが、パス情報のみに依存するため、しばしば精度が低下する。 本稿では,ヘテロジニアス情報ネットワーク上のユーザ登録メタパスを用いたアドホッククエリの高速類似性手法であるHetFSを提案する。 HetFSは、メタパス制限を満たすパス情報とノードの内容に基づいて、類似した結果を提供する。 大規模な実験では、アドホッククエリの処理におけるHetFSの有効性と効率、最先端のHGNNやパスベースのアプローチよりも優れており、リンク予測、ノード分類、クラスタリングなどの下流アプリケーションでは強力なパフォーマンスを示している。

関連論文リスト

• Matcha: Mitigating Graph Structure Shifts with Test-Time Adaptation [66.40525136929398]
  テスト時間適応(TTA)は、ソースドメインに再アクセスすることなく、トレーニング済みのモデルをターゲットドメインに適応できる能力によって注目を集めている。 グラフの構造シフトへの効果的かつ効率的な適応を目的とした,革新的なフレームワークであるMatchaを提案する。 合成と実世界の両方のデータセットに対するMatchaの有効性を検証し、構造と属性シフトの様々な組み合わせにおける頑健さを実証した。
  論文  参考訳（メタデータ） (2024-10-09T15:15:40Z)
• Leveraging Multi-facet Paths for Heterogeneous Graph Representation Learning [2.603958690885184]
  MF2Vecは、事前に定義されたメタパスの代わりに、多面的(きめ細かい)パスを使用するモデルである。 この方法はノードとその関係の多様な側面を学習し、均質なネットワークを構築し、分類、リンク予測、クラスタリングのためのノード埋め込みを生成する。
  論文  参考訳（メタデータ） (2024-07-30T08:45:32Z)
• LSPI: Heterogeneous Graph Neural Network Classification Aggregation Algorithm Based on Size Neighbor Path Identification [4.407784399315198]
  本稿では3つの一般的なデータ集合におけるメタパスについて検討し、異なるメタパスによって接続される隣人の数に大きな違いがあることを見出した。 同時に、大きなボルパスに含まれる騒音情報は、モデル性能に悪影響を及ぼす。 本稿では,大小隣接経路アイデン整形に基づく不均一なグラフニューラルネットワークの分類と集約アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-05-29T09:37:23Z)
• Inductive Meta-path Learning for Schema-complex Heterogeneous Information Networks [46.325577161493726]
  Heterogeneous Information Networks (HIN) は、複数のノードとエッジを持つ情報ネットワークである。 メタパスの概念、すなわち2つのエンティティを接続するエンティティタイプと関係型のシーケンスは、様々なHINタスクのためのメタレベル説明可能なセマンティクスを提供するために提案される。
  論文  参考訳（メタデータ） (2023-07-08T09:10:43Z)
• LSGNN: Towards General Graph Neural Network in Node Classification by Local Similarity [59.41119013018377]
  本稿では,ローカル類似性(LocalSim)を用いて,プラグイン・アンド・プレイモジュールとしても機能するノードレベルの重み付き融合を学習する。 そこで本研究では,より情報性の高いマルチホップ情報を抽出するための,新規かつ効率的な初期残留差分接続(IRDC)を提案する。 提案手法,すなわちローカル類似グラフニューラルネットワーク(LSGNN)は,ホモ親和性グラフとヘテロ親和性グラフの両方において,同等あるいは優れた最先端性能を提供できる。
  論文  参考訳（メタデータ） (2023-05-07T09:06:11Z)
• 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)
• Higher-Order Attribute-Enhancing Heterogeneous Graph Neural Networks [67.25782890241496]
  異種ネットワーク表現学習のための高次属性強化グラフニューラルネットワーク(HAEGNN)を提案する。 HAEGNNは、リッチで異質なセマンティクスのためのメタパスとメタグラフを同時に組み込む。 ノード分類、ノードクラスタリング、可視化における最先端の手法よりも優れたパフォーマンスを示す。
  論文  参考訳（メタデータ） (2021-04-16T04:56:38Z)
• Meta-Path-Free Representation Learning on Heterogeneous Networks [5.106061955284303]
  異種ネットワーク,すなわち異種グラフ畳み込みネットワーク(HCN)におけるメタパス自由表現学習を提案する。 提案手法は異種を融合させ、$k$-strataアルゴリズム($k$は整数)を開発し、$k$-hopの構造的および意味的情報をキャプチャする。 実験の結果,提案手法は様々な解析課題において,現在の最先端手法よりも有意に優れていた。
  論文  参考訳（メタデータ） (2021-02-16T12:37:38Z)
• GCN for HIN via Implicit Utilization of Attention and Meta-paths [104.24467864133942]
  不均一情報ネットワーク(HIN)埋め込みは、HINの構造と意味情報を分散表現にマッピングすることを目的としている。 本稿では,注意とメタパスを暗黙的に活用するニューラルネットワーク手法を提案する。 まず、各層で識別集約を行う多層グラフ畳み込みネットワーク(GCN)フレームワークを用いる。 次に,アグリゲーションから分離可能な新しい伝搬操作を導入することにより,効果的な緩和と改善を行う。
  論文  参考訳（メタデータ） (2020-07-06T11:09:40Z)

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。