論文の概要: OCN: Effectively Utilizing Higher-Order Common Neighbors for Better Link Prediction

• arxiv url: http://arxiv.org/abs/2505.19719v1
• Date: Mon, 26 May 2025 09:08:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-27 16:58:43.309212
• Title: OCN: Effectively Utilizing Higher-Order Common Neighbors for Better Link Prediction
• Title（参考訳）: OCN: リンク予測の改善に高次コモンネバーを効果的に活用
• Authors: Juntong Wang, Xiyuan Wang, Muhan Zhang,
• Abstract要約: 我々は,高次共通隣人における冗長性と過度な平滑化を克服するために,直交共通隣人(OCN)を提案する。 OCNは人気のあるリンク予測ベンチマークで平均7.7%のベースラインをはるかに上回っている。
• 参考スコア（独自算出の注目度）: 24.505897569096476
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Common Neighbors (CNs) and their higher-order variants are important pairwise features widely used in state-of-the-art link prediction methods. However, existing methods often struggle with the repetition across different orders of CNs and fail to fully leverage their potential. We identify that these limitations stem from two key issues: redundancy and over-smoothing in high-order common neighbors. To address these challenges, we design orthogonalization to eliminate redundancy between different-order CNs and normalization to mitigate over-smoothing. By combining these two techniques, we propose Orthogonal Common Neighbor (OCN), a novel approach that significantly outperforms the strongest baselines by an average of 7.7% on popular link prediction benchmarks. A thorough theoretical analysis is provided to support our method. Ablation studies also verify the effectiveness of our orthogonalization and normalization techniques.
• Abstract（参考訳）: Common Neighbors (CN) とその高次変種は、最先端リンク予測法で広く使われている重要なペアワイズ特徴である。 しかし、既存の手法はCNの異なる順序をまたいだ反復に苦しむことが多く、その潜在能力を十分に活用できない。 これらの制限は2つの重要な問題、すなわち高次一般の隣人における冗長性と過度な平滑化に起因する。 これらの課題に対処するために、直交化を設計し、異なる階のCN間の冗長性を排除し、過度なスムース化を緩和する正規化を行う。 これら2つの手法を組み合わせることで、一般的なリンク予測ベンチマークの平均7.7%で最強のベースラインを著しく上回る新しいアプローチであるOrthogonal Common Neighbor (OCN)を提案する。 我々の方法を支援するために、徹底的な理論的分析が提供される。 アブレーション研究は、我々の直交化および正規化技術の有効性も検証した。

関連論文リスト

• Two-way Node Popularity Model for Directed and Bipartite Networks [25.463498432350562]
  Two-Way Node Popularity Model (TNPM)は、一般のガウス系内の異なる分布のエッジを許容する。 大規模ネットワークをより効率的に処理するための2段階分割コサインアルゴリズム(TSDC)。
  論文  参考訳（メタデータ） (2024-12-11T02:59:14Z)
• Improved Best-of-Both-Worlds Guarantees for Multi-Armed Bandits: FTRL with General Regularizers and Multiple Optimal Arms [41.06668954462585]
  本研究では,適応型マルチアームバンディットアルゴリズムを設計する際の課題について検討する。 FTRLには多種多様な正規化要因と新たな学習率スケジュールが不要であることを示す。
  論文  参考訳（メタデータ） (2023-02-27T06:09:10Z)
• Orthogonal SVD Covariance Conditioning and Latent Disentanglement [65.67315418971688]
  SVDメタ層をニューラルネットワークに挿入すると、共分散が不調和になる。 我々は最寄り直交勾配(NOG)と最適学習率(OLR)を提案する。 視覚認識実験は,共分散条件と一般化を同時に改善できることを実証した。
  論文  参考訳（メタデータ） (2022-12-11T20:31:31Z)
• Towards Better Out-of-Distribution Generalization of Neural Algorithmic Reasoning Tasks [51.8723187709964]
  ニューラルネットワーク推論タスクのOOD一般化について検討する。 目標は、ディープニューラルネットワークを使用して入出力ペアからアルゴリズムを学ぶことである。
  論文  参考訳（メタデータ） (2022-11-01T18:33:20Z)
• Higher-Order Relations Skew Link Prediction in Graphs [7.739963375099786]
  一対のノードの共通近傍の数が増えると、それらがリンクされる可能性が高くなる。 驚いたことに、CN(Common Neighbors)は非常にうまく機能し、高次関係の存在下でさらに優れていることが判明した。 これは、CN-ヒューリスティックが高次関係の存在下での予測能力を過大評価しているためである。
  論文  参考訳（メタデータ） (2021-10-30T15:27:44Z)
• A Too-Good-to-be-True Prior to Reduce Shortcut Reliance [0.19573380763700707]
  ディープ畳み込みニューラルネットワーク(DCNN)は、しばしば分布外(o.o.d.)への一般化に失敗する。 サンプル この欠点の原因の1つは、現代建築が「ショートカット」に頼る傾向があることである。 この誘導バイアスは、低容量ネットワークからの予測を用いて高容量ネットワークのトレーニングを通知する2段階のアプローチで実装する。
  論文  参考訳（メタデータ） (2021-02-12T09:17:24Z)
• Tackling Over-Smoothing for General Graph Convolutional Networks [88.71154017107257]
  一般的なGCNは、GCN, GCN with bias, ResGCN, APPNPを含む深度の増加とともにどのように振る舞うかを検討する。 そこで我々はDropEdgeを提案し,各トレーニングエポックにおいて一定数のエッジをランダムに除去することで過度なスムース化を緩和する。
  論文  参考訳（メタデータ） (2020-08-22T16:14:01Z)
• When Does Preconditioning Help or Hurt Generalization? [74.25170084614098]
  本稿では,第1次および第2次手法のテキスト単純バイアスが一般化特性の比較にどのように影響するかを示す。 本稿では、バイアス分散トレードオフを管理するためのいくつかのアプローチと、GDとNGDを補間する可能性について論じる。
  論文  参考訳（メタデータ） (2020-06-18T17:57:26Z)
• Detached Error Feedback for Distributed SGD with Random Sparsification [98.98236187442258]
  コミュニケーションのボトルネックは、大規模なディープラーニングにおいて重要な問題である。 非効率な分散問題に対する誤りフィードバックよりも優れた収束性を示す分散誤差フィードバック(DEF)アルゴリズムを提案する。 また、DEFよりも優れた境界を示すDEFの一般化を加速するDEFAを提案する。
  論文  参考訳（メタデータ） (2020-04-11T03:50:59Z)
• SOAR: Second-Order Adversarial Regularization [29.83835336491924]
  敵のトレーニングは、敵の例に対するディープニューラルネットワークの堅牢性を改善するための一般的なアプローチである。 本研究では,新しい正規化手法を提案する。 提案する2次逆正則化器 (SOAR) は、ロバスト最適化目標における内最大のテイラー近似に基づく上界である。
  論文  参考訳（メタデータ） (2020-04-04T01:35:07Z)

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。