論文の概要: Multi-Granular Attention based Heterogeneous Hypergraph Neural Network

• arxiv url: http://arxiv.org/abs/2505.04340v1
• Date: Wed, 07 May 2025 11:42:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-08 19:07:36.058987
• Title: Multi-Granular Attention based Heterogeneous Hypergraph Neural Network
• Title（参考訳）: マルチグラニュラーアテンションに基づく異種ハイパーグラフニューラルネットワーク
• Authors: Hong Jin, Kaicheng Zhou, Jie Yin, Lan You, Zhifeng Zhou,
• Abstract要約: 不均一グラフニューラルネットワーク(HeteGNN)はノード表現を学習する強力な能力を示している。 本稿では,マルチグラニュラーアテンションに基づく表現学習のためのヘテロジニアスハイパーグラフニューラルネットワークであるMGA-HHNを提案する。
• 参考スコア（独自算出の注目度）: 5.580244361093485
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Heterogeneous graph neural networks (HeteGNNs) have demonstrated strong abilities to learn node representations by effectively extracting complex structural and semantic information in heterogeneous graphs. Most of the prevailing HeteGNNs follow the neighborhood aggregation paradigm, leveraging meta-path based message passing to learn latent node representations. However, due to the pairwise nature of meta-paths, these models fail to capture high-order relations among nodes, resulting in suboptimal performance. Additionally, the challenge of ``over-squashing'', where long-range message passing in HeteGNNs leads to severe information distortion, further limits the efficacy of these models. To address these limitations, this paper proposes MGA-HHN, a Multi-Granular Attention based Heterogeneous Hypergraph Neural Network for heterogeneous graph representation learning. MGA-HHN introduces two key innovations: (1) a novel approach for constructing meta-path based heterogeneous hypergraphs that explicitly models higher-order semantic information in heterogeneous graphs through multiple views, and (2) a multi-granular attention mechanism that operates at both the node and hyperedge levels. This mechanism enables the model to capture fine-grained interactions among nodes sharing the same semantic context within a hyperedge type, while preserving the diversity of semantics across different hyperedge types. As such, MGA-HHN effectively mitigates long-range message distortion and generates more expressive node representations. Extensive experiments on real-world benchmark datasets demonstrate that MGA-HHN outperforms state-of-the-art models, showcasing its effectiveness in node classification, node clustering and visualization tasks.
• Abstract（参考訳）: ヘテロジニアスグラフニューラルネットワーク(HeteGNN)は、ヘテロジニアスグラフにおける複雑な構造情報や意味情報を効果的に抽出することにより、ノード表現を学習する強力な能力を示している。 一般的なHeteGNNの多くは、メタパスベースのメッセージパッシングを利用して潜在ノード表現を学習するという、近隣の集約パラダイムに従っている。 しかし、メタパスのペア性のため、これらのモデルはノード間の高次関係を捉えることができず、結果として準最適性能が得られる。 さらに、HeteGNNで長距離メッセージパッシングを行う 'over-squashing'' という課題は、深刻な情報歪みを招き、これらのモデルの有効性をさらに制限する。 これらの制約に対処するため, 異種グラフ表現学習のためのマルチグラニュラーアテンションに基づく異種ハイパーグラフニューラルネットワーク MGA-HHN を提案する。 MGA-HHNは,メタパスに基づくヘテロジニアスハイパーグラフを構築するための新しいアプローチとして,複数のビューを通じてヘテロジニアスグラフの高次セマンティック情報を明示的にモデル化する手法と,ノードレベルとハイパーエッジレベルの両方で動作するマルチグラニュラーアテンション機構を導入している。 このメカニズムにより、モデルがハイパーエッジタイプ内で同じセマンティックコンテキストを共有するノード間のきめ細かい相互作用をキャプチャし、異なるハイパーエッジタイプ間のセマンティクスの多様性を保存することができる。 したがって、MGA-HHNは、長距離メッセージの歪みを効果的に軽減し、より表現力のあるノード表現を生成する。 実世界のベンチマークデータセットに対する大規模な実験により、MGA-HHNは最先端モデルよりも優れており、ノード分類、ノードクラスタリング、視覚化タスクにおけるその有効性を示している。

関連論文リスト

• MAPN: Enhancing Heterogeneous Sparse Graph Representation by Mamba-based Asynchronous Aggregation [4.114908634432608]
  本稿では,不均質なスパースグラフの表現を強化する,マンバを基盤とした非同期伝搬ネットワーク(MAPN)を提案する。 MAPNはノードシーケンス生成と意味情報集約という2つの主要コンポーネントから構成される。 多様なデータセットにわたる大規模な実験は、様々な下流タスクに対するグラフ埋め込みにおけるMAPNの有効性を示す。
  論文  参考訳（メタデータ） (2025-02-23T06:02:31Z)
• DuoGNN: Topology-aware Graph Neural Network with Homophily and Heterophily Interaction-Decoupling [0.0]
  グラフニューラルネットワーク(GNN)は、自動疾患診断など、様々な医療画像の応用に有効であることが証明されている。 それらは本質的に2つの基本的な制限に悩まされる: まず、不明瞭なノードの埋め込みは、ヘテロ親和性ノードの集約に起因する。 我々は、トポロジを利用してホモ親和性およびヘテロ親和性のあるエッジを分離するスケーラブルで一般化可能なアーキテクチャであるDuoGNNを提案する。
  論文  参考訳（メタデータ） (2024-09-29T09:01:22Z)
• Heterophily-Aware Graph Attention Network [42.640057865981156]
  グラフニューラルネットワーク(GNN)はグラフ表現学習において顕著な成功を収めている。 既存のヘテロフィル性GNNは、各エッジのヘテロフィリのモデリングを無視する傾向にあり、これはヘテロフィリ問題に取り組む上でも不可欠である。 本稿では,局所分布を基礎となるヘテロフィリーとして完全に探索し,活用することで,新たなヘテロフィア対応グラフ注意ネットワーク(HA-GAT)を提案する。
  論文  参考訳（メタデータ） (2023-02-07T03:21:55Z)
• 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)
• Simple and Efficient Heterogeneous Graph Neural Network [55.56564522532328]
  不均一グラフニューラルネットワーク(HGNN)は、不均一グラフの豊富な構造的および意味的な情報をノード表現に埋め込む強力な能力を持つ。 既存のHGNNは、同種グラフ上のグラフニューラルネットワーク(GNN)から多くのメカニズム、特に注意機構と多層構造を継承する。 本稿では,これらのメカニズムを詳細に検討し,簡便かつ効率的なヘテロジニアスグラフニューラルネットワーク(SeHGNN)を提案する。
  論文  参考訳（メタデータ） (2022-07-06T10:01:46Z)
• Text Enriched Sparse Hyperbolic Graph Convolutional Networks [21.83127488157701]
  グラフニューラルネットワーク(GNN)とその双曲型は、そのようなネットワークを低次元の潜在空間でエンコードするための有望なアプローチを提供する。 本稿では,グラフのメタパス構造を意味信号を用いて捉えるために,テキスト強化スパースハイパーボリックグラフ畳み込みネットワーク(TESH-GCN)を提案する。 我々のモデルは,リンク予測のタスクにおいて,最先端のアプローチよりも大きなマージンで優れている。
  論文  参考訳（メタデータ） (2022-07-06T00:23:35Z)
• DPGNN: Dual-Perception Graph Neural Network for Representation Learning [21.432960458513826]
  グラフニューラルネットワーク(GNN)は近年注目を集め、グラフベースのタスクの多くで顕著なパフォーマンスを実現している。 既存のGNNの多くは、メッセージパッシングパラダイムに基づいて、1つのトポロジ空間内の近隣情報を反復的に集約している。 本稿では,マルチステップメッセージソースの特性,ノード固有のメッセージ出力,マルチスペースメッセージインタラクションに基づく新しいメッセージパッシングパラダイムを提案する。
  論文  参考訳（メタデータ） (2021-10-15T05:47:26Z)
• 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)
• 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)
• Binarized Graph Neural Network [65.20589262811677]
  我々は二項化グラフニューラルネットワークを開発し、二項化ネットワークパラメータを用いてノードのバイナリ表現を学習する。 提案手法は既存のGNNベースの埋め込み手法にシームレスに統合できる。 実験により、提案された二項化グラフニューラルネットワーク、すなわちBGNは、時間と空間の両方の観点から、桁違いに効率的であることが示されている。
  論文  参考訳（メタデータ） (2020-04-19T09:43:14Z)

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。