論文の概要: Leap: Inductive Link Prediction via Learnable TopologyAugmentation

• arxiv url: http://arxiv.org/abs/2503.03331v1
• Date: Wed, 05 Mar 2025 10:03:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-06 15:51:35.706692
• Title: Leap: Inductive Link Prediction via Learnable TopologyAugmentation
• Title（参考訳）: Leap: 学習可能なトポロジー拡張によるインダクティブリンク予測
• Authors: Ahmed E. Samy, Zekarias T. Kefato, Sarunas Girdzijauskas,
• Abstract要約: LEArnable ToPology Augmentationに基づく帰納的リンク予測手法であるLEAPを提案する。 7つの実世界の等質グラフと異質グラフの実験は、LEAPがSOTA法を大幅に上回っていることを示している。
• 参考スコア（独自算出の注目度）: 1.6619898690991983
• License:
• Abstract: Link prediction is a crucial task in many downstream applications of graph machine learning. To this end, Graph Neural Network (GNN) is a widely used technique for link prediction, mainly in transductive settings, where the goal is to predict missing links between existing nodes. However, many real-life applications require an inductive setting that accommodates for new nodes, coming into an existing graph. Thus, recently inductive link prediction has attracted considerable attention, and a multi-layer perceptron (MLP) is the popular choice of most studies to learn node representations. However, these approaches have limited expressivity and do not fully capture the graph's structural signal. Therefore, in this work we propose LEAP, an inductive link prediction method based on LEArnable toPology augmentation. Unlike previous methods, LEAP models the inductive bias from both the structure and node features, and hence is more expressive. To the best of our knowledge, this is the first attempt to provide structural contexts for new nodes via learnable augmentation in inductive settings. Extensive experiments on seven real-world homogeneous and heterogeneous graphs demonstrates that LEAP significantly surpasses SOTA methods. The improvements are up to 22\% and 17\% in terms of AUC and average precision, respectively. The code and datasets are available on GitHub (https://github.com/AhmedESamy/LEAP/)
• Abstract（参考訳）: リンク予測は、グラフ機械学習の下流アプリケーションの多くにおいて重要なタスクである。 この目的のために、グラフニューラルネットワーク(GNN)は、主にトランスダクティブな設定において、既存のノード間の欠落したリンクを予測するために広く使用されているテクニックである。 しかし、多くの現実的なアプリケーションは、既存のグラフに現れる新しいノードに対応するインダクティブな設定を必要とする。 このように、近年の帰納的リンク予測は注目され、ノード表現を学習するほとんどの研究において、多層パーセプトロン(MLP)が一般的な選択である。 しかし、これらのアプローチは表現性に制限があり、グラフの構造的信号を完全に捉えていない。 そこで本研究では,LEArnable ToPology Augmentationに基づく帰納的リンク予測手法であるLEAPを提案する。 従来の手法とは異なり、LEAPは構造とノードの特徴の両方から誘導バイアスをモデル化する。 我々の知る限りでは、これは帰納的設定において学習可能な拡張を通じて新しいノードの構造的コンテキストを提供する最初の試みである。 7つの実世界の等質グラフと異質グラフに関する大規模な実験は、LEAPがSOTA法を大幅に上回っていることを示している。 改善率は、AUCと平均精度でそれぞれ22\%と17\%である。 コードとデータセットはGitHubで入手できる(https://github.com/AhmedESamy/LEAP/)。

関連論文リスト

• Graph Spring Neural ODEs for Link Sign Prediction [49.71046810937725]
  本稿では,春の力によってモデル化されたグラフスプリングネットワーク(GSN)と呼ばれる新しいメッセージパッシング層アーキテクチャを提案する。 提案手法は,大規模グラフ上で最大28,000のノード生成時間高速化係数を持つ最先端手法に近い精度を実現する。
  論文  参考訳（メタデータ） (2024-12-17T13:50:20Z)
• Inductive Link Prediction in Knowledge Graphs using Path-based Neural Networks [1.3735277588793995]
  SiaILPは、シアムニューラルネットワークを用いたインダクティブリンク予測のためのパスベースモデルである。 WN18RR, FB15k-237, Nell995 のインダクティブバージョンを用いて, リンク予測タスクにおいて, 新たな最先端性能を実現する。
  論文  参考訳（メタデータ） (2023-12-16T02:26:09Z)
• 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)
• SimTeG: A Frustratingly Simple Approach Improves Textual Graph Learning [131.04781590452308]
  テキストグラフ学習におけるフラストレーションに富んだアプローチであるSimTeGを提案する。 まず、下流タスクで予め訓練されたLM上で、教師付きパラメータ効率の微調整(PEFT)を行う。 次に、微調整されたLMの最後の隠れ状態を用いてノード埋め込みを生成する。
  論文  参考訳（メタデータ） (2023-08-03T07:00:04Z)
• Disentangling Node Attributes from Graph Topology for Improved Generalizability in Link Prediction [5.651457382936249]
  提案手法であるUPNAは,一対のノード属性を学習し,エッジの確率を予測することによって,帰納的リンク予測問題を解く。 UPNAは、様々なペアワイズ学習タスクに適用でき、既存のリンク予測モデルと統合して、一般化可能性とグラフ生成モデルを強化することができる。
  論文  参考訳（メタデータ） (2023-07-17T22:19:12Z)
• How Neural Processes Improve Graph Link Prediction [35.652234989200956]
  リンク予測のためのグラフニューラルネットワークを用いたメタラーニング手法:グラフニューラルネットワークのためのニューラルプロセス(NPGNN)を提案する。 NPGNNは、トランスダクティブな学習タスクとインダクティブな学習タスクの両方を実行し、小さなサブグラフでトレーニングした後、大きな新しいグラフのパターンに適応することができる。
  論文  参考訳（メタデータ） (2021-09-30T07:35:13Z)
• Integrating Transductive And Inductive Embeddings Improves Link Prediction Accuracy [24.306445780189005]
  帰納的グラフ埋め込みモデル、例えば、グラフニューラルネットワーク(GNN)は、オンラインソーシャルネットワークにおけるリンク予測(LP)において、ますます正確になっている。 多様なGNN変種に対して,Node2Vecから得られたノード表現ベクトルが,GNNの高品質な入力機能として機能することを実証した。
  論文  参考訳（メタデータ） (2021-08-23T12:24:20Z)
• Uniting Heterogeneity, Inductiveness, and Efficiency for Graph Representation Learning [68.97378785686723]
  グラフニューラルネットワーク(GNN)は,グラフ上のノード表現学習の性能を大幅に向上させた。 GNNの過半数クラスは均質グラフのためにのみ設計されており、より有益な異種グラフに劣る適応性をもたらす。 本稿では,低次ノードと高次ノードの両方のエッジに付随するヘテロジニアスなノード特徴をパッケージ化する,新しい帰納的メタパスフリーメッセージパッシング方式を提案する。
  論文  参考訳（メタデータ） (2021-04-04T23:31:39Z)
• CatGCN: Graph Convolutional Networks with Categorical Node Features [99.555850712725]
  CatGCNはグラフ学習に適したノード機能である。 エンドツーエンドでCatGCNを訓練し、半教師付きノード分類でそれを実証する。
  論文  参考訳（メタデータ） (2020-09-11T09:25:17Z)
• Inductive Link Prediction for Nodes Having Only Attribute Information [21.714834749122137]
  属性グラフでは、構造情報と属性情報の両方をリンク予測に利用することができる。 2つのノード埋め込みエンコーダと1つのアライメント機構からなるDEALモデルを提案する。 提案手法は,既存のインダクティブリンク予測手法よりも優れ,また,トランスダクティブリンク予測における最先端手法よりも優れる。
  論文  参考訳（メタデータ） (2020-07-16T00:51:51Z)
• 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。