論文の概要: iN2V: Bringing Transductive Node Embeddings to Inductive Graphs

• arxiv url: http://arxiv.org/abs/2506.05039v1
• Date: Thu, 05 Jun 2025 13:43:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-06 21:53:49.737756
• Title: iN2V: Bringing Transductive Node Embeddings to Inductive Graphs
• Title（参考訳）: iN2V: インダクティブグラフにトランスダクティブノードの埋め込みを実現する
• Authors: Nicolas Lell, Ansgar Scherp,
• Abstract要約: node2vec(N2V)のような浅層ノードの埋め込みは、機能のないノードや、既存の機能を構造ベースの情報で補うために使用できる。 トレーニング中に見つからないノードに対する埋め込みを計算するためのポストホック手順を組み合わせたインダクティブノード2vec(iN2V)を提案する。 いくつかのベンチマークデータセットで実験を行い、iN2Vが帰納的埋め込みを帰納的環境に導入するための効果的なアプローチであることを実証した。
• 参考スコア（独自算出の注目度）: 3.3916160303055563
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Shallow node embeddings like node2vec (N2V) can be used for nodes without features or to supplement existing features with structure-based information. Embedding methods like N2V are limited in their application on new nodes, which restricts them to the transductive setting where the entire graph, including the test nodes, is available during training. We propose inductive node2vec (iN2V), which combines a post-hoc procedure to compute embeddings for nodes unseen during training and modifications to the original N2V training procedure to prepare the embeddings for this post-hoc procedure. We conduct experiments on several benchmark datasets and demonstrate that iN2V is an effective approach to bringing transductive embeddings to an inductive setting. Using iN2V embeddings improves node classification by 1 point on average, with up to 6 points of improvement depending on the dataset and the number of unseen nodes. Our iN2V is a plug-in approach to create new or enrich existing embeddings. It can also be combined with other embedding methods, making it a versatile approach for inductive node representation learning. Code to reproduce the results is available at https://github.com/Foisunt/iN2V .
• Abstract（参考訳）: node2vec(N2V)のような浅層ノードの埋め込みは、機能のないノードや、既存の機能を構造ベースの情報で補うために使用できる。 N2Vのような埋め込みメソッドは、新しいノード上のアプリケーションに限られており、トレーニング中にテストノードを含むグラフ全体が利用可能なトランスダクティブ設定に制限される。 本稿では,訓練中に見つからないノードの埋め込みを計算し,このポストホック手順の埋め込みを作成するために元のN2Vトレーニング手順を修正したインダクティブノード2vec(iN2V)を提案する。 いくつかのベンチマークデータセットで実験を行い、iN2Vが帰納的埋め込みを帰納的環境に導入するための効果的なアプローチであることを実証した。 iN2V埋め込みを使用することで、データセットと目に見えないノードの数に応じて、ノードの分類が平均1ポイント改善され、最大6ポイント改善される。 当社のiN2Vは,既存の埋め込みを新たにあるいはリッチにするためのプラグインアプローチです。 また、他の埋め込み手法と組み合わせることで、帰納的ノード表現学習のための汎用的なアプローチとなる。 結果を再現するコードはhttps://github.com/Foisunt/iN2V で公開されている。

関連論文リスト

• Node Duplication Improves Cold-start Link Prediction [52.917775253887264]
  グラフニューラルネットワーク(GNN)は、グラフ機械学習において顕著である。 近年の研究では、GNNは低次ノードで良い結果を出すのに苦労していることが示されている。 我々はNodeDupと呼ばれるシンプルだが驚くほど効果的な拡張手法を提案する。
  論文  参考訳（メタデータ） (2024-02-15T05:07:39Z)
• Community Detection Guarantees Using Embeddings Learned by Node2Vec [5.530212768657544]
  node2vec が生成した埋め込みのクラスタリングは,ブロックモデルにおけるノードに対して,弱い一貫したコミュニティリカバリをもたらすことを示す。 また、これらの埋め込みをノードおよびリンク予測タスクに利用することについても論じる。
  論文  参考訳（メタデータ） (2023-10-26T18:16:23Z)
• Complete the Missing Half: Augmenting Aggregation Filtering with Diversification for Graph Convolutional Neural Networks [46.14626839260314]
  現在のグラフニューラルネットワーク(GNN)は、特定のデータセットで学習するすべてのGNNモデルに根ざした問題要因である可能性が示されている。 集約操作をそれらの双対、すなわち、ノードをより明確にし、アイデンティティを保存する多様化演算子で拡張する。 このような拡張は、アグリゲーションを2チャネルのフィルタリングプロセスに置き換え、理論上、ノード表現を豊かにするのに役立つ。 実験では,モデルの望ましい特性と,9ノード分類タスクのベースライン上での大幅な性能向上について検討した。
  論文  参考訳（メタデータ） (2022-12-21T07:24:03Z)
• Robust Knowledge Adaptation for Dynamic Graph Neural Networks [61.8505228728726]
  動的グラフニューラルネットワークのための強化学習による堅牢な知識適応フレームワークであるAda-DyGNNを提案する。 我々のアプローチは、強化学習による堅牢な知識適応を探求する最初の試みである。 3つのベンチマークデータセットの実験は、Ada-DyGNNが最先端のパフォーマンスを達成することを示した。
  論文  参考訳（メタデータ） (2022-07-22T02:06:53Z)
• Graph-adaptive Rectified Linear Unit for Graph Neural Networks [64.92221119723048]
  グラフニューラルネットワーク(GNN)は、従来の畳み込みを非ユークリッドデータでの学習に拡張することで、目覚ましい成功を収めた。 本稿では,周辺情報を利用した新しいパラメトリックアクティベーション機能であるグラフ適応整流線形ユニット(GRELU)を提案する。 我々は,GNNのバックボーンと様々な下流タスクによって,プラグアンドプレイGRELU法が効率的かつ効果的であることを示す包括的実験を行った。
  論文  参考訳（メタデータ） (2022-02-13T10:54:59Z)
• 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)
• Node2Seq: Towards Trainable Convolutions in Graph Neural Networks [59.378148590027735]
  今回提案するグラフネットワーク層であるNode2Seqは,隣接ノードの重みを明示的に調整可能なノード埋め込みを学習する。 対象ノードに対して,当手法は注意メカニズムを介して隣接ノードをソートし,さらに1D畳み込みニューラルネットワーク(CNN)を用いて情報集約のための明示的な重み付けを行う。 また, 特徴学習のための非局所的情報を, 注意スコアに基づいて適応的に組み込むことを提案する。
  論文  参考訳（メタデータ） (2021-01-06T03:05:37Z)
• Complete the Missing Half: Augmenting Aggregation Filtering with Diversification for Graph Convolutional Networks [46.14626839260314]
  我々は、現在のグラフニューラルネットワーク(GNN)が、特定のデータセットで学習するすべてのGNNメソッドの根底にある問題である可能性を示している。 集約操作をそれらの双対、すなわち、ノードをより明確にし、アイデンティティを保存する多様化演算子で拡張する。 このような拡張は、アグリゲーションを2チャネルのフィルタリングプロセスに置き換え、理論上、ノード表現を豊かにするのに役立つ。 実験では,モデルの望ましい特性と,9ノード分類タスクのベースライン上での大幅な性能向上について検討した。
  論文  参考訳（メタデータ） (2020-08-20T08:45:16Z)
• 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)
• Graph Inference Learning for Semi-supervised Classification [50.55765399527556]
  半教師付きノード分類の性能を高めるためのグラフ推論学習フレームワークを提案する。 推論過程の学習には,トレーニングノードから検証ノードへの構造関係のメタ最適化を導入する。 4つのベンチマークデータセットの総合的な評価は、最先端の手法と比較して提案したGILの優位性を示している。
  論文  参考訳（メタデータ） (2020-01-17T02:52:30Z)

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。