論文の概要: AEGIS: Authentic Edge Growth In Sparsity for Link Prediction in Edge-Sparse Bipartite Knowledge Graphs

• arxiv url: http://arxiv.org/abs/2509.22017v1
• Date: Fri, 26 Sep 2025 07:51:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-29 20:57:54.281117
• Title: AEGIS: Authentic Edge Growth In Sparsity for Link Prediction in Edge-Sparse Bipartite Knowledge Graphs
• Title（参考訳）: AEGIS: エッジスパース二部グラフにおけるリンク予測のためのスパシティの認証エッジ成長
• Authors: Hugh Xuechen Liu, Kıvanç Tatar,
• Abstract要約: AEGISは、既存のトレーニングエッジを再サンプリングする、エッジのみの拡張フレームワークである。 テキストリッチGDPグラフでは、セマンティックKNNが最大のAUC改善とBrierスコアの削減を実現している。
• 参考スコア（独自算出の注目度）: 0.8594140167290097
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Bipartite knowledge graphs in niche domains are typically data-poor and edge-sparse, which hinders link prediction. We introduce AEGIS (Authentic Edge Growth In Sparsity), an edge-only augmentation framework that resamples existing training edges -either uniformly simple or with inverse-degree bias degree-aware -thereby preserving the original node set and sidestepping fabricated endpoints. To probe authenticity across regimes, we consider naturally sparse graphs (game design pattern's game-pattern network) and induce sparsity in denser benchmarks (Amazon, MovieLens) via high-rate bond percolation. We evaluate augmentations on two complementary metrics: AUC-ROC (higher is better) and the Brier score (lower is better), using two-tailed paired t-tests against sparse baselines. On Amazon and MovieLens, copy-based AEGIS variants match the baseline while the semantic KNN augmentation is the only method that restores AUC and calibration; random and synthetic edges remain detrimental. On the text-rich GDP graph, semantic KNN achieves the largest AUC improvement and Brier score reduction, and simple also lowers the Brier score relative to the sparse control. These findings position authenticity-constrained resampling as a data-efficient strategy for sparse bipartite link prediction, with semantic augmentation providing an additional boost when informative node descriptions are available.
• Abstract（参考訳）: ニッチドメインの2部知識グラフは、典型的にはデータポーアとエッジスパースであり、リンク予測を妨げる。 AEGIS(Authentic Edge Growth In Sparsity)は、エッジのみの拡張フレームワークで、既存のトレーニングエッジを - 均一にシンプルに、あるいは逆のバイアス度を意識して - 修正し、元のノードセットとサイドステッピングしたエンドポイントを保存します。 本研究では,レジーム間の信頼度を調査するため,自然疎グラフ(ゲームデザインパターンのゲームパターンネットワーク)を考察し,ハイレートなボンドパーコレーションによりより高密度なベンチマーク(Amazon,MovieLens)においてスパース性を誘導する。 AUC-ROC (higher is better) と Brier スコア (lower is better) の2つの相補的指標について, スパースベースラインに対する2つの尾対t-test を用いて拡張性を評価する。 AmazonとMovieLensでは、コピーベースのAIGIS変種がベースラインと一致し、セマンティックなKNN拡張がAUCとキャリブレーションを復元する唯一の方法である。 テキストリッチGDPグラフでは、セマンティックKNNはAUCの最大の改善とブライアスコアの低減を実現し、スパースコントロールに対するブライアスコアの低下も簡単に行う。 これらの知見は,情報ノード記述が利用可能である場合に,セマンティック拡張が付加的な向上をもたらすことにより,スパースバイパートイトリンク予測のためのデータ効率戦略として,信頼度に制約のある再サンプリングを位置づけた。

関連論文リスト

• Pruning Spurious Subgraphs for Graph Out-of-Distribution Generalization [90.74916553208153]
  PrunEは,OODの一般化性を改善するために急激なエッジを除去する最初のプルーニングベースグラフOOD法である。 PrunE は2つの正規化項を使い、1) グラフサイズ制約は非形式的なスパイラスエッジを除外し、2) スパイラスエッジの発生をさらに抑制するために、$epsilon$-probability アライメントを使用する。
  論文  参考訳（メタデータ） (2025-06-06T10:34:48Z)
• Edge Contrastive Learning: An Augmentation-Free Graph Contrastive Learning Model [18.02317423788033]
  グラフコントラスト学習(GCL)は、ラベルのないグラフデータから表現を自己管理的に学習することを目的としている。 エッジベースGCLの主な障害の1つは、重い負担である。 エッジコントラストを実現するために,Augmentation Free Edge Contrastive Learning (AFECL)を提案する。
  論文  参考訳（メタデータ） (2024-12-15T06:16:01Z)
• Two Heads Are Better Than One: Boosting Graph Sparse Training via Semantic and Topological Awareness [80.87683145376305]
  グラフニューラルネットワーク(GNN)は、様々なグラフ学習タスクに優れるが、大規模グラフに適用した場合、計算上の課題に直面している。 データレベルで空間を動的に操作するグラフスパーストレーニング(GST)を提案する。 GSTは、最大位相整合性と性能劣化のないスパースグラフを生成する。
  論文  参考訳（メタデータ） (2024-02-02T09:10:35Z)
• Efficient Link Prediction via GNN Layers Induced by Negative Sampling [86.87385758192566]
  リンク予測のためのグラフニューラルネットワーク(GNN)は、緩やかに2つの広いカテゴリに分けられる。 本稿では,新しいGNNアーキテクチャを提案する。このアーキテクチャでは,Emphforwardパスは,Emphboth陽性(典型的)と負陰性(アプローチに共通)のエッジに明示的に依存する。 これは、埋め込み自体を、正と負のサンプルの分離を好むフォワードパス特異的エネルギー関数の最小化子として再キャストすることで達成される。
  論文  参考訳（メタデータ） (2023-10-14T07:02:54Z)
• Article Classification with Graph Neural Networks and Multigraphs [0.12499537119440243]
  単純なグラフニューラルネットワーク(GNN)パイプラインを多グラフ表現で拡張することにより,記事分類の性能を向上させる手法を提案する。 完全に教師されたトランスダクティブノード分類実験は、Open Graph Benchmark OGBN-arXivデータセットとPubMed糖尿病データセットで実施されている。 その結果、マルチグラフはデフォルトグラフと比較して、様々なGNNモデルの性能を一貫して改善することを示した。
  論文  参考訳（メタデータ） (2023-09-20T14:18:04Z)
• Training Robust Graph Neural Networks with Topology Adaptive Edge Dropping [116.26579152942162]
  グラフニューラルネットワーク(GNN)は、グラフ構造情報を利用してネットワークデータから表現をモデル化する処理アーキテクチャである。 彼らの成功にもかかわらず、GNNは限られた訓練データから得られる準最適一般化性能に悩まされている。 本稿では、一般化性能を改善し、堅牢なGNNモデルを学習するためのトポロジ適応エッジドロップ法を提案する。
  論文  参考訳（メタデータ） (2021-06-05T13:20:36Z)
• Heuristic Semi-Supervised Learning for Graph Generation Inspired by Electoral College [80.67842220664231]
  本稿では,新たなノードやエッジを自動的に拡張して,高密度サブグラフ内のラベル類似性を向上する,新しい前処理手法であるElectoral College(ELCO)を提案する。 テストされたすべての設定において、我々の手法はベースモデルの平均スコアを4.7ポイントの広いマージンで引き上げるとともに、常に最先端のモデルよりも優れています。
  論文  参考訳（メタデータ） (2020-06-10T14:48:48Z)
• Self-Constructing Graph Convolutional Networks for Semantic Labeling [23.623276007011373]
  本稿では,学習可能な潜伏変数を用いて埋め込みを生成する自己構築グラフ(SCG)を提案する。 SCGは、空中画像中の複雑な形状の物体から、最適化された非局所的なコンテキストグラフを自動的に取得することができる。 本稿では,ISPRS Vaihingen データセット上で提案した SCG の有効性と柔軟性を示す。
  論文  参考訳（メタデータ） (2020-03-15T21:55:24Z)

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。