論文の概要: Bridging Theory and Practice in Link Representation with Graph Neural Networks

• arxiv url: http://arxiv.org/abs/2506.24018v1
• Date: Mon, 30 Jun 2025 16:22:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-01 21:27:54.153278
• Title: Bridging Theory and Practice in Link Representation with Graph Neural Networks
• Title（参考訳）: グラフニューラルネットワークを用いたリンク表現におけるブリッジ理論と実践
• Authors: Veronica Lachi, Francesco Ferrini, Antonio Longa, Bruno Lepri, Andrea Passerini, Manfred Jaeger,
• Abstract要約: グラフニューラルネットワーク(GNN)は、リンク予測のような下流タスクのためのノードペアの表現を計算するために広く使われている。 既存のメッセージパッシングリンクモデルを仮定する統一フレームワークである$k_phi$-$k_rho$-$m$を導入します。 我々は、リンクの識別の難しさを定量化するグラフ対称性計量を用いて、表現的モデルは標準ベンチマークでは性能が劣るが、対称性が増大するにつれて、より単純なものよりも著しく優れていることを示す。
• 参考スコア（独自算出の注目度）: 15.088089745469652
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graph Neural Networks (GNNs) are widely used to compute representations of node pairs for downstream tasks such as link prediction. Yet, theoretical understanding of their expressive power has focused almost entirely on graph-level representations. In this work, we shift the focus to links and provide the first comprehensive study of GNN expressiveness in link representation. We introduce a unifying framework, the $k_\phi$-$k_\rho$-$m$ framework, that subsumes existing message-passing link models and enables formal expressiveness comparisons. Using this framework, we derive a hierarchy of state-of-the-art methods and offer theoretical tools to analyze future architectures. To complement our analysis, we propose a synthetic evaluation protocol comprising the first benchmark specifically designed to assess link-level expressiveness. Finally, we ask: does expressiveness matter in practice? We use a graph symmetry metric that quantifies the difficulty of distinguishing links and show that while expressive models may underperform on standard benchmarks, they significantly outperform simpler ones as symmetry increases, highlighting the need for dataset-aware model selection.
• Abstract（参考訳）: グラフニューラルネットワーク(GNN)は、リンク予測のような下流タスクのためのノードペアの表現を計算するために広く使われている。 しかし、それらの表現力に関する理論的理解は、ほぼ完全にグラフレベルの表現に焦点を当てている。 本研究では,リンクに焦点を移し,リンク表現におけるGNN表現性の総合的研究を行う。 我々は、既存のメッセージパスリンクモデルを仮定し、形式的な表現性比較を可能にする統一フレームワーク、$k_\phi$-$k_\rho$-$m$を導入する。 このフレームワークを用いて、最先端の手法の階層を導き、将来のアーキテクチャを解析するための理論的ツールを提供する。 本分析を補完するため,リンクレベルの表現性の評価に特化して設計された最初のベンチマークを含む合成評価プロトコルを提案する。 最後に、私たちは質問する: 表現力は実際に重要か? 我々は,リンクの識別の難しさを定量的に評価するグラフ対称性計量を用いて,表現的モデルは標準ベンチマークでは性能が劣るが,対称性が向上し,データセット対応モデル選択の必要性が強調されるほど,より単純なものよりもはるかに優れていることを示す。

関連論文リスト

• Understanding the Design Principles of Link Prediction in Directed Settings [1.6727186769396276]
  リンク予測はグラフ表現学習(GRL)において広く研究されている課題である 本稿では,非方向設定で成功したキーキャパシティを評価することで,リンクの方向予測の課題に焦点をあてる。 本稿では,これらを有向リンク予測タスクに簡易かつ効果的に適応させ,これらの修正によって競争性能が向上することを示す。
  論文  参考訳（メタデータ） (2025-02-20T20:01:35Z)
• Rethinking Link Prediction for Directed Graphs [73.36395969796804]
  有向グラフのリンク予測は、様々な現実世界のアプリケーションにとって重要な課題である。 埋め込み手法とグラフニューラルネットワーク(GNN)の最近の進歩は、有望な改善を示している。 本稿では,既存手法の表現性を評価する統一的なフレームワークを提案し,二重埋め込みとデコーダ設計がリンクの有向予測性能に与える影響を強調した。
  論文  参考訳（メタデータ） (2025-02-08T23:51:05Z)
• Link Prediction with Relational Hypergraphs [28.594243961681684]
  知識グラフとのリンク予測は、グラフ機械学習において徹底的に研究されている。 本稿では,グラフニューラルネットワークの完全なリレーショナル構造への応用を解き放ち,リレーショナルハイパーグラフとリンク予測を行うフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-02-06T15:05:40Z)
• From Hypergraph Energy Functions to Hypergraph Neural Networks [94.88564151540459]
  パラメータ化されたハイパーグラフ正規化エネルギー関数の表現型族を示す。 次に、これらのエネルギーの最小化がノード埋め込みとして効果的に機能することを実証する。 提案した双レベルハイパーグラフ最適化と既存のGNNアーキテクチャを共通的に用いている。
  論文  参考訳（メタデータ） (2023-06-16T04:40:59Z)
• Graph Collaborative Reasoning [18.45161138837384]
  グラフ協調推論(GCR)は、論理的推論の観点からグラフ上の関係推論に隣接リンク情報を使用することができる。 そこで我々は,グラフ構造を論理式に変換する簡単な手法を提案し,リンク予測タスクをニューラルネットワーク推論問題に変換する。 本研究の有効性を示すため,一般的なベンチマークデータセットに基づくリンク予測やレコメンデーションなどのグラフ関連タスクの実験を行った。
  論文  参考訳（メタデータ） (2021-12-27T14:27:58Z)
• GraphiT: Encoding Graph Structure in Transformers [37.33808493548781]
  古典的グラフニューラルネットワーク(GNN)を用いて学習した表現を,ノードの特徴と構造的および位置的情報の集合として見ることにより,より優れた表現を実現できることを示す。 我々のモデルであるGraphiTは,グラフ上の正定値カーネルに基づく自己注意スコアにおける相対的な位置符号化戦略と,短距離パスなどの局所的なサブ構造を列挙して符号化することで,そのような情報を符号化する。
  論文  参考訳（メタデータ） (2021-06-10T11:36:22Z)
• 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)
• Embedding Graph Auto-Encoder for Graph Clustering [90.8576971748142]
  グラフ自動エンコーダ(GAE)モデルは、半教師付きグラフ畳み込みネットワーク(GCN)に基づく 我々は、グラフクラスタリングのための特定のGAEベースのモデルを設計し、その理論、すなわち、埋め込みグラフオートエンコーダ(EGAE)と整合する。 EGAEは1つのエンコーダと2つのデコーダで構成される。
  論文  参考訳（メタデータ） (2020-02-20T09:53:28Z)

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。