論文の概要: IMPA-HGAE:Intra-Meta-Path Augmented Heterogeneous Graph Autoencoder
- arxiv url: http://arxiv.org/abs/2506.06809v1
- Date: Sat, 07 Jun 2025 14:17:30 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-06-10 21:10:47.05652
- Title: IMPA-HGAE:Intra-Meta-Path Augmented Heterogeneous Graph Autoencoder
- Title（参考訳）: IMPA-HGAE:Intra-Meta-Path Augmented Heterogeneous Graph Autoencoder
- Authors: Di Lin, Wanjing Ren, Xuanbin Li, Rui Zhang,
- Abstract要約: 本稿では, IMPA-HGAE という新たなフレームワークを提案する。
実験の結果,IMPA-HGAEは異種データセット上で優れた性能を示すことがわかった。
- 参考スコア（独自算出の注目度）: 13.555683316315683
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Self-supervised learning (SSL) methods have been increasingly applied to diverse downstream tasks due to their superior generalization capabilities and low annotation costs. However, most existing heterogeneous graph SSL models convert heterogeneous graphs into homogeneous ones via meta-paths for training, which only leverage information from nodes at both ends of meta-paths while underutilizing the heterogeneous node information along the meta-paths. To address this limitation, this paper proposes a novel framework named IMPA-HGAE to enhance target node embeddings by fully exploiting internal node information along meta-paths. Experimental results validate that IMPA-HGAE achieves superior performance on heterogeneous datasets. Furthermore, this paper introduce innovative masking strategies to strengthen the representational capacity of generative SSL models on heterogeneous graph data. Additionally, this paper discuss the interpretability of the proposed method and potential future directions for generative self-supervised learning in heterogeneous graphs. This work provides insights into leveraging meta-path-guided structural semantics for robust representation learning in complex graph scenarios.
- Abstract（参考訳）: 自己教師付き学習(SSL)手法は、より優れた一般化能力と低アノテーションコストのため、様々な下流タスクにますます適用されてきた。
しかし、既存の異種グラフSSLモデルは、メタパスの両端のノードの情報のみを活用し、メタパスに沿った異種ノード情報を活用しているメタパスを介して、異種グラフを均質グラフに変換する。
この制限に対処するために,IMPA-HGAEという新しいフレームワークを提案し,メタパスに沿った内部ノード情報を完全に活用することで,ターゲットノードの埋め込みを強化する。
実験の結果,IMPA-HGAEは異種データセット上で優れた性能を示すことがわかった。
さらに,異種グラフデータ上で生成するSSLモデルの表現能力を向上する革新的なマスキング手法を提案する。
さらに,提案手法の解釈可能性や,異種グラフにおける自己教師型学習の可能性についても論じる。
この研究は、複雑なグラフシナリオにおける堅牢な表現学習のためのメタパス誘導構造セマンティクスの活用に関する洞察を提供する。
関連論文リスト
- Multi-Granular Attention based Heterogeneous Hypergraph Neural Network [5.580244361093485]
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。
論文 参考訳（メタデータ） (2025-05-07T11:42:00Z) - FHGE: A Fast Heterogeneous Graph Embedding with Ad-hoc Meta-paths [4.114908634432608]
メタパス誘導グラフ埋め込みの効率的かつ再学習不要な生成のための高速不均一グラフ埋め込み(FHGE)を提案する。
提案するフレームワークでは,MPU(Meta-Path Units)を使用してグラフを局所的およびグローバルなコンポーネントに分割する。
多様なデータセットにわたる実験は、メタパス誘導グラフ埋め込みの生成におけるFHGEの有効性と効率を示す。
論文 参考訳（メタデータ） (2025-02-22T16:26:18Z) - How to Make LLMs Strong Node Classifiers? [70.14063765424012]
言語モデル(LM)は、グラフニューラルネットワーク(GNN)やグラフトランスフォーマー(GT)など、ドメイン固有のモデルの優位性に挑戦している。
本稿では,ノード分類タスクにおける最先端(SOTA)GNNに匹敵する性能を実現するために,既製のLMを有効活用する手法を提案する。
論文 参考訳（メタデータ） (2024-10-03T08:27:54Z) - LAMP: Learnable Meta-Path Guided Adversarial Contrastive Learning for Heterogeneous Graphs [22.322402072526927]
Heterogeneous Graph Contrastive Learning (HGCL)は通常、事前に定義されたメタパスを必要とする。
textsfLAMPは様々なメタパスのサブグラフを統一的で安定した構造に統合する。
textsfLAMPは、精度と堅牢性の観点から、既存の最先端の教師なしモデルよりも大幅に優れています。
論文 参考訳（メタデータ） (2024-09-10T08:27:39Z) - SHGNN: Structure-Aware Heterogeneous Graph Neural Network [77.78459918119536]
本稿では、上記の制約に対処する構造対応不均一グラフニューラルネットワーク(SHGNN)を提案する。
まず,メタパス内の中間ノードの局所構造情報を取得するために,特徴伝搬モジュールを利用する。
次に、ツリーアテンションアグリゲータを使用して、グラフ構造情報をメタパス上のアグリゲーションモジュールに組み込む。
最後に、メタパスアグリゲータを利用して、異なるメタパスから集約された情報を融合する。
論文 参考訳（メタデータ） (2021-12-12T14:18:18Z) - HeMI: Multi-view Embedding in Heterogeneous Graphs [8.87527266373087]
不均一グラフ(HG)の表現学習は、そのようなグラフの豊富な構造と意味を低次元空間に埋め込む。
本稿では,HGの構造的セマンティクス間の知識交換と発見に依存して,HG表現を学習する自己教師型手法を提案する。
提案手法は,全タスクにおいて1%,最大10%の効率で性能が向上し,競合手法の改善が図られている。
論文 参考訳（メタデータ） (2021-09-14T23:04:42Z) - 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) - Learning the Implicit Semantic Representation on Graph-Structured Data [57.670106959061634]
グラフ畳み込みネットワークにおける既存の表現学習手法は主に、各ノードの近傍を知覚全体として記述することで設計される。
本稿では,グラフの潜在意味パスを学習することで暗黙的な意味を探索する意味グラフ畳み込みネットワーク(sgcn)を提案する。
論文 参考訳（メタデータ） (2021-01-16T16:18:43Z) - Reinforcement Learning Enhanced Heterogeneous Graph Neural Network [13.720544777078642]
ヘテロジニアス・インフォメーション・ネットワーク(HIN)におけるノードの異なるメタパスを設計するための強化学習強化ヘテロジニアス・グラフ・ニューラルネット(RL-HGNN)を提案する。
具体的には、RL-HGNNは、メタパス設計プロセスをマルコフ決定プロセスとしてモデル化し、ポリシーネットワークを使用して各ノードのメタパスを適応的に設計し、その効果的な表現を学習する。
実験の結果、RL-HGNNの有効性が示され、人間の知識によって無視された有意義なメタパスを識別できることが判明した。
論文 参考訳（メタデータ） (2020-10-26T17:22:24Z)
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。