論文の概要: Representation Learning with Mutual Influence of Modalities for Node Classification in Multi-Modal Heterogeneous Networks

• arxiv url: http://arxiv.org/abs/2505.07895v2
• Date: Sat, 24 May 2025 05:02:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-27 14:32:54.757193
• Title: Representation Learning with Mutual Influence of Modalities for Node Classification in Multi-Modal Heterogeneous Networks
• Title（参考訳）: 多モード不均一ネットワークにおけるノード分類におけるモーダリティの相互影響を考慮した表現学習
• Authors: Jiafan Li, Jiaqi Zhu, Liang Chang, Yilin Li, Miaomiao Li, Yang Wang, Hongan Wang,
• Abstract要約: 我々は、HGNN-IMA(Inter-Modal Attention)を用いた異種グラフニューラルネットワーク(Herogeneous Graph Neural Network)という、MMHNにおけるノード分類の新しいモデルを提案する。 本稿では,HGNN-IMA (Herogeneous Graph Neural Network with Inter-Modal Attention) と呼ばれるMMHNのノード分類モデルを提案する。
• 参考スコア（独自算出の注目度）: 16.669479456576322
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Nowadays, numerous online platforms can be described as multi-modal heterogeneous networks (MMHNs), such as Douban's movie networks and Amazon's product review networks. Accurately categorizing nodes within these networks is crucial for analyzing the corresponding entities, which requires effective representation learning on nodes. However, existing multi-modal fusion methods often adopt either early fusion strategies which may lose the unique characteristics of individual modalities, or late fusion approaches overlooking the cross-modal guidance in GNN-based information propagation. In this paper, we propose a novel model for node classification in MMHNs, named Heterogeneous Graph Neural Network with Inter-Modal Attention (HGNN-IMA). It learns node representations by capturing the mutual influence of multiple modalities during the information propagation process, within the framework of heterogeneous graph transformer. Specifically, a nested inter-modal attention mechanism is integrated into the inter-node attention to achieve adaptive multi-modal fusion, and modality alignment is also taken into account to encourage the propagation among nodes with consistent similarities across all modalities. Moreover, an attention loss is augmented to mitigate the impact of missing modalities. Extensive experiments validate the superiority of the model in the node classification task, providing an innovative view to handle multi-modal data, especially when accompanied with network structures.
• Abstract（参考訳）: 今日では、ドゥーバンの映画ネットワークやAmazonの製品レビューネットワークなど、多くのオンラインプラットフォームがマルチモーダル・ヘテロジニアスネットワーク(MMHN)として記述されている。 これらのネットワーク内のノードの正確な分類は、ノード上で効果的な表現学習を必要とする、対応するエンティティの分析に不可欠である。 しかし、既存のマルチモーダル融合法は、個々のモーダルの固有の特性を失う可能性がある早期融合戦略や、GNNベースの情報伝達におけるクロスモーダルガイダンスを見越した後期融合アプローチを採用することが多い。 本稿では,HGNN-IMA (Herogeneous Graph Neural Network with Inter-Modal Attention) と呼ばれるMMHNのノード分類モデルを提案する。 異種グラフ変換器の枠組み内で,情報伝達過程における複数のモーダルの相互影響を捉えてノード表現を学習する。 具体的には, ノード間アテンションにネストしたモーダル間アテンション機構を組み込んで, 適応的マルチモーダル融合を実現するとともに, あらゆるモーダル性に一貫した類似性を持つノード間の伝搬を促進するために, モーダルアライメントも考慮する。 さらに、欠落したモダリティの影響を軽減するために、注意損失を増大させる。 大規模な実験により、ノード分類タスクにおけるモデルの優越性を検証し、特にネットワーク構造を伴う場合、マルチモーダルデータを扱う革新的なビューを提供する。

関連論文リスト

• Multiplex Heterogeneous Graph Convolutional Network [25.494590588212542]
  異種ネットワーク埋め込みのための多重異種グラフ畳み込みネットワーク(MHGCN)を提案する。 我々のMHGCNは、多重異種ネットワークにおいて、異なる長さの有用な異種メタパス相互作用を自動的に学習することができる。
  論文  参考訳（メタデータ） (2022-08-12T06:17:54Z)
• HybridGNN: Learning Hybrid Representation in Multiplex Heterogeneous Networks [26.549559266395775]
  本稿では,ハイブリッドアグリゲーションフローと階層的アテンションを備えたエンドツーエンドグラフニューラルネットワークモデルであるHybridGNNを提案する。 以上の結果から,HybridGNNはいくつかの最先端ベースラインと比較して最高の性能を示す。
  論文  参考訳（メタデータ） (2022-08-03T13:39:47Z)
• Mixed Graph Contrastive Network for Semi-Supervised Node Classification [63.924129159538076]
  我々はMixed Graph Contrastive Network(MGCN)と呼ばれる新しいグラフコントラスト学習手法を提案する。 本研究では,非摂動増強戦略と相関還元機構により,潜伏埋め込みの識別能力を向上する。 これら2つの設定を組み合わせることで、識別表現学習のために、豊富なノードと稀に価値あるラベル付きノードの両方から、豊富な監視情報を抽出する。
  論文  参考訳（メタデータ） (2022-06-06T14:26:34Z)
• Pay Attention to Relations: Multi-embeddings for Attributed Multiplex Networks [0.0]
  RAHMeNは、属性付き異種多重ネットワークのための新しい統合型関係認識組込みフレームワークである。 本モデルでは,ノード属性,モチーフに基づく特徴,関係性に基づくGCNアプローチ,ノードの埋め込みを学習するための関係性自己アテンションが組み込まれている。 我々は,Amazon,Twitter,YouTube,Tio PPIの4つの実世界のデータセットを,トランスダクティブおよびインダクティブの両方で評価した。
  論文  参考訳（メタデータ） (2022-03-03T18:31:29Z)
• Attention-driven Graph Clustering Network [49.040136530379094]
  我々は、注意駆動グラフクラスタリングネットワーク(AGCN)という新しいディープクラスタリング手法を提案する。 AGCNは、ノード属性特徴とトポロジグラフ特徴を動的に融合するために、不均一な融合モジュールを利用する。 AGCNは、教師なしの方法で特徴学習とクラスタ割り当てを共同で行うことができる。
  論文  参考訳（メタデータ） (2021-08-12T02:30:38Z)
• Reinforced Neighborhood Selection Guided Multi-Relational Graph Neural Networks [68.9026534589483]
  RioGNNはReinforceed, recursive, flexible neighborhood selection guided multi-relational Graph Neural Network architectureである。 RioGNNは、各関係の個々の重要性の認識により、説明性を高めた差別的なノード埋め込みを学ぶことができる。
  論文  参考訳（メタデータ） (2021-04-16T04:30:06Z)
• GAHNE: Graph-Aggregated Heterogeneous Network Embedding [32.44836376873812]
  異種ネットワーク埋め込みは、ノードを低次元ベクトルに埋め込み、異種ネットワークの豊富な本質的な情報を捕捉することを目的としている。 既存のモデルは、手動でメタパスを設計するか、異なるセマンティクス間の相互効果を無視するか、あるいはグローバルネットワークからの情報のいくつかの側面を省略する。 GAHNEモデルでは、異なる単一タイプのサブネットワークからのセマンティック表現を集約する機構を開発し、グローバル情報を最終埋め込みに融合させる。
  論文  参考訳（メタデータ） (2020-12-23T07:11:30Z)
• Multi-View Dynamic Heterogeneous Information Network Embedding [3.8093526291513347]
  MDHNE(Multi-View Dynamic HIN Embedding)と呼ばれるHIN埋め込みに時間情報を組み込む新しいフレームワークを提案する。 提案するMDHNEは、複雑なネットワーク構造とノード間の意味的関係の進化パターンを潜在埋め込み空間に組み込むために、リカレントニューラルネットワーク(RNN)を適用している。 本モデルは,ネットワークマイニングタスクの3つの実世界の動的データセットに対して,最先端のベースラインを上回ります。
  論文  参考訳（メタデータ） (2020-11-12T12:33:29Z)
• A Multi-Semantic Metapath Model for Large Scale Heterogeneous Network Representation Learning [52.83948119677194]
  大規模不均一表現学習のためのマルチセマンティックメタパス(MSM)モデルを提案する。 具体的には,マルチセマンティックなメタパスに基づくランダムウォークを生成し,不均衡な分布を扱うヘテロジニアスな近傍を構築する。 提案するフレームワークに対して,AmazonとAlibabaの2つの挑戦的なデータセットに対して,体系的な評価を行う。
  論文  参考訳（メタデータ） (2020-07-19T22:50:20Z)
• 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)
• Unsupervised Differentiable Multi-aspect Network Embedding [52.981277420394846]
  本稿では,asp2vecと呼ばれるマルチアスペクトネットワーク埋め込みのための新しいエンドツーエンドフレームワークを提案する。 提案するフレームワークは容易に異種ネットワークに拡張できる。
  論文  参考訳（メタデータ） (2020-06-07T19:26:20Z)

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。