論文の概要: Cooperative Causal GraphSAGE

• arxiv url: http://arxiv.org/abs/2505.14748v1
• Date: Tue, 20 May 2025 09:12:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-22 15:42:58.672963
• Title: Cooperative Causal GraphSAGE
• Title（参考訳）: Cooperative Causal GraphSAGE
• Authors: Zaifa Xue, Tao Zhang, Tuo Xu, Huaixin Liang, Le Gao,
• Abstract要約: CoCa-GraphSAGEは協調ゲーム理論とCausal GraphSAGEを組み合わせる。 グラフ構造に基づく協調の場合、協調因果構造モデルを構築する。 CoCaサンプリングアルゴリズムが提案され、Shapley値を用いて協調的な寄与を計算する。
• 参考スコア（独自算出の注目度）: 3.8142872158512975
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: GraphSAGE is a widely used graph neural network. The introduction of causal inference has improved its robust performance and named as Causal GraphSAGE. However, Causal GraphSAGE focuses on measuring causal weighting among individual nodes, but neglecting the cooperative relationships among sampling nodes as a whole. To address this issue, this paper proposes Cooperative Causal GraphSAGE (CoCa-GraphSAGE), which combines cooperative game theory with Causal GraphSAGE. Initially, a cooperative causal structure model is constructed in the case of cooperation based on the graph structure. Subsequently, Cooperative Causal sampling (CoCa-sampling) algorithm is proposed, employing the Shapley values to calculate the cooperative contribution based on causal weights of the nodes sets. CoCa-sampling guides the selection of nodes with significant cooperative causal effects during the neighborhood sampling process, thus integrating the selected neighborhood features under cooperative relationships, which takes the sampled nodes as a whole and generates more stable target node embeddings. Experiments on publicly available datasets show that the proposed method has comparable classification performance to the compared methods and outperforms under perturbations, demonstrating the robustness improvement by CoCa-sampling.
• Abstract（参考訳）: GraphSAGEは広く使われているグラフニューラルネットワークである。 因果推論の導入により、堅牢なパフォーマンスが改善され、Causal GraphSAGEと名付けられた。 しかし、Causal GraphSAGEは個々のノード間の因果重みの測定に重点を置いているが、サンプリングノード全体の協調関係を無視している。 本稿では,協調ゲーム理論と因果グラフSAGEを組み合わせた協調因果グラフSAGE(CoCa-GraphSAGE)を提案する。 当初、グラフ構造に基づく協調の場合、協調因果構造モデルを構築した。 その後、協調因果サンプリング(CoCa-sampling)アルゴリズムが提案され、ノードセットの因果重みに基づいて協調寄与を計算するためにShapley値が用いられる。 CoCaサンプリングは、近隣のサンプリングプロセスにおいて、重要な協調因果効果を持つノードの選択をガイドし、選択された近傍の特徴を協調関係の下に統合し、サンプルノード全体を包含し、より安定した目標ノード埋め込みを生成する。 公開データセットを用いた実験により、提案手法は、比較した手法に匹敵する分類性能を有し、摂動下での性能が向上し、CoCaサンプリングによる堅牢性の向上が実証された。

関連論文リスト

• Exact Matching in Correlated Networks with Node Attributes for Improved Community Recovery [10.696635172502141]
  ノードとエッジが相互に相関する複数のネットワークにおけるコミュニティ検出について検討する。 本稿では,グラフ間の構造的および属性的相関を組み込んだCSBMについて紹介する。 この結果から,グラフマッチングとコミュニティリカバリの相互作用によって,パフォーマンスが向上することを示す。
  論文  参考訳（メタデータ） (2025-01-06T08:57:44Z)
• Cluster-based Graph Collaborative Filtering [55.929052969825825]
  グラフ畳み込みネットワーク(GCN)は、レコメンデーションシステムのためのユーザおよびアイテム表現の学習に成功している。 既存のGCNベースのほとんどのメソッドは、高階グラフ畳み込みを実行しながら、ユーザの複数の関心事を見落としている。 クラスタベースグラフ協調フィルタリング(ClusterGCF)と呼ばれる新しいGCNベースのレコメンデーションモデルを提案する。
  論文  参考訳（メタデータ） (2024-04-16T07:05:16Z)
• A Node-collaboration-informed Graph Convolutional Network for Precise Representation to Undirected Weighted Graphs [10.867583522217473]
  グラフ畳み込みネットワーク(GCN)は、重み付きグラフ(UWG)に表現学習を行うために広く採用されている。 本研究は, ノード間の協調を, 対称潜在因子分析モデルを用いてモデル化し, ノード協調モジュールとしてGCNの協調損失を補うことを提案する。 このアイデアに基づいて、ノード協調インフォームドグラフ畳み込みネットワーク(NGCN)が3倍のアイデアで提案されている。
  論文  参考訳（メタデータ） (2022-11-30T02:20:19Z)
• Explainable Sparse Knowledge Graph Completion via High-order Graph Reasoning Network [111.67744771462873]
  本稿では,スパース知識グラフ(KG)のための新しい説明可能なモデルを提案する。 高次推論をグラフ畳み込みネットワーク、すなわちHoGRNに結合する。 情報不足を緩和する一般化能力を向上させるだけでなく、解釈可能性も向上する。
  論文  参考訳（メタデータ） (2022-07-14T10:16:56Z)
• An Evaluation Study of Generative Adversarial Networks for Collaborative Filtering [75.83628561622287]
  本研究は、原論文で発表された結果の再現に成功し、CFGANフレームワークと原評価で使用されるモデルとの相違が与える影響について論じる。 この研究は、CFGANと単純でよく知られた適切に最適化されたベースラインの選択を比較した実験的な分析をさらに拡張し、CFGANは高い計算コストにもかかわらず、それらに対して一貫して競合していないことを観察した。
  論文  参考訳（メタデータ） (2022-01-05T20:53:27Z)
• Self-Organized Polynomial-Time Coordination Graphs [21.02670428540549]
  コーディネーショングラフは強化学習におけるモデルエージェント協調に対する有望なアプローチである。 このパラダイムの課題の1つは、グラフベースの値分解のための最大値アクションの計算の複雑さである。 本稿では,自己組織型多項式時間座標グラフ (SOP-CG) という新しい手法を提案する。
  論文  参考訳（メタデータ） (2021-12-07T07:42:40Z)
• Reasoning Graph Networks for Kinship Verification: from Star-shaped to Hierarchical [85.0376670244522]
  階層型推論グラフネットワークの学習による顔の親和性検証の問題点について検討する。 より強力で柔軟なキャパシティを利用するために,星型推論グラフネットワーク(S-RGN)を開発した。 また、より強力で柔軟なキャパシティを利用する階層型推論グラフネットワーク(H-RGN)も開発しています。
  論文  参考訳（メタデータ） (2021-09-06T03:16:56Z)
• Explicit Pairwise Factorized Graph Neural Network for Semi-Supervised Node Classification [59.06717774425588]
  本稿では,グラフ全体を部分的に観測されたマルコフ確率場としてモデル化するEPFGNN(Explicit Pairwise Factorized Graph Neural Network)を提案する。 出力-出力関係をモデル化するための明示的なペアワイズ要素を含み、入力-出力関係をモデル化するためにGNNバックボーンを使用する。 本研究では,グラフ上での半教師付きノード分類の性能を効果的に向上できることを示す。
  論文  参考訳（メタデータ） (2021-07-27T19:47:53Z)
• Factorizable Graph Convolutional Networks [90.59836684458905]
  本稿では,グラフに符号化された相互に絡み合った関係を明示的に解消する新しいグラフ畳み込みネットワーク(GCN)を提案する。 FactorGCNは単純なグラフを入力として取り、それをいくつかの分解グラフに分解する。 提案したFacterGCNは,合成および実世界のデータセットに対して質的かつ定量的に評価する。
  論文  参考訳（メタデータ） (2020-10-12T03:01:40Z)

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。