論文の概要: A Community-Enhanced Graph Representation Model for Link Prediction

• arxiv url: http://arxiv.org/abs/2512.21166v1
• Date: Wed, 24 Dec 2025 13:31:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-25 19:43:21.785128
• Title: A Community-Enhanced Graph Representation Model for Link Prediction
• Title（参考訳）: リンク予測のためのコミュニティ強化グラフ表現モデル
• Authors: Lei Wang, Darong Lai,
• Abstract要約: Community-Enhanced Link Prediction (CELP) フレームワークは、局所グラフトポロジとグローバルグラフトポロジを共同でモデル化するコミュニティ構造を組み込んでいる。 CELPは、リンク予測精度の向上において、コミュニティ構造の重要な役割を検証し、優れた性能を達成する。
• 参考スコア（独自算出の注目度）: 2.90890304148259
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Although Graph Neural Networks (GNNs) have become the dominant approach for graph representation learning, their performance on link prediction tasks does not always surpass that of traditional heuristic methods such as Common Neighbors and Jaccard Coefficient. This is mainly because existing GNNs tend to focus on learning local node representations, making it difficult to effectively capture structural relationships between node pairs. Furthermore, excessive reliance on local neighborhood information can lead to over-smoothing. Prior studies have shown that introducing global structural encoding can partially alleviate this issue. To address these limitations, we propose a Community-Enhanced Link Prediction (CELP) framework that incorporates community structure to jointly model local and global graph topology. Specifically, CELP enhances the graph via community-aware, confidence-guided edge completion and pruning, while integrating multi-scale structural features to achieve more accurate link prediction. Experimental results across multiple benchmark datasets demonstrate that CELP achieves superior performance, validating the crucial role of community structure in improving link prediction accuracy.
• Abstract（参考訳）: グラフニューラルネットワーク(GNN)はグラフ表現学習において支配的なアプローチとなっているが、リンク予測タスクにおけるそれらの性能は、Common NeighborsやJaccard Coefficientのような従来のヒューリスティックな手法を常に上回っているわけではない。 これは、既存のGNNがローカルノード表現の学習に重点を置いているためであり、ノードペア間の構造的関係を効果的に捉えるのが困難である。 さらに、地域の情報への過度な依存は、過密につながる可能性がある。 これまでの研究では、グローバルな構造的エンコーディングを導入することで、この問題を部分的に緩和できることが示されている。 このような制約に対処するため,地域とグローバルなグラフトポロジを共同でモデル化するために,コミュニティ構造を組み込んだコミュニティ拡張リンク予測(CELP)フレームワークを提案する。 具体的には、CELPは、より正確なリンク予測を実現するために、コミュニティ認識、信頼誘導エッジ補完、プルーニングを通じてグラフを強化し、マルチスケールな構造的特徴を統合する。 複数のベンチマークデータセットにまたがる実験結果から,CELPは優れた性能を示し,リンク予測精度を向上させる上でのコミュニティ構造の重要な役割を検証した。

関連論文リスト

• Graph Collaborative Attention Network for Link Prediction in Knowledge Graphs [0.0]
  我々は、マルチヘッドの注意を生かしたグラフニューラルネットワークモデルKBGATに着目し、局所的な近傍構造における実体的特徴と関係性の両方を共同で符号化する。 textbfGCAT(Graph Collaborative Attention Network)は,異種ノード間のコンテキストアグリゲーションとインタラクションを強化する改良されたモデルである。 本研究は,知識グラフ補完タスクにおいて,複雑なリレーショナルパターンをキャプチャする上で,注目に基づくアーキテクチャの利点を浮き彫りにするものである。
  論文  参考訳（メタデータ） (2025-07-05T08:13:09Z)
• High-order Graph Neural Networks with Common Neighbor Awareness for Link Prediction [5.113525357988675]
  リンク予測は動的グラフ学習(DGL)の基本課題である 動的グラフニューラルネットワーク(DGNN)の最近の進歩はリンク予測性能を大幅に改善した。 本稿では,2つのアイデアとリンク予測を行うために,HGNN-CNA(Common Neighbor Awareness)を用いた高次グラフニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2025-04-26T01:20:07Z)
• 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)
• DGNN: Decoupled Graph Neural Networks with Structural Consistency between Attribute and Graph Embedding Representations [62.04558318166396]
  グラフニューラルネットワーク(GNN)は、複雑な構造を持つグラフ上での表現学習の堅牢性を示す。 ノードのより包括的な埋め込み表現を得るために、Decoupled Graph Neural Networks (DGNN)と呼ばれる新しいGNNフレームワークが導入された。 複数のグラフベンチマークデータセットを用いて、ノード分類タスクにおけるDGNNの優位性を検証した。
  論文  参考訳（メタデータ） (2024-01-28T06:43:13Z)
• Revisiting Link Prediction: A Data Perspective [59.296773787387224]
  グラフの基本的なタスクであるリンク予測は、友人の推薦、タンパク質分析、薬物相互作用予測など、様々な応用において不可欠であることが証明されている。 既存の文献の証拠は、すべてのデータセットに適した普遍的に最良のアルゴリズムが存在しないことを裏付けている。 我々は,局所的な構造的近接,大域的な構造的近接,特徴的近接という,リンク予測に不可欠な3つの基本的要因を認識する。
  論文  参考訳（メタデータ） (2023-10-01T21:09:59Z)
• Amortized Probabilistic Detection of Communities in Graphs [39.56798207634738]
  そこで我々は,アモータイズされたコミュニティ検出のためのシンプルなフレームワークを提案する。 我々はGNNの表現力と最近のアモータイズクラスタリングの手法を組み合わせる。 我々は、合成および実データセットに関するフレームワークから、いくつかのモデルを評価する。
  論文  参考訳（メタデータ） (2020-10-29T16:18:48Z)
• Hierarchical Message-Passing Graph Neural Networks [12.207978823927386]
  本稿では,新しい階層型メッセージパッシンググラフニューラルネットワークフレームワークを提案する。 鍵となるアイデアは、フラットグラフ内のすべてのノードをマルチレベルなスーパーグラフに再編成する階層構造を生成することである。 階層型コミュニティ対応グラフニューラルネットワーク(HC-GNN)と呼ばれる,このフレームワークを実装した最初のモデルを提案する。
  論文  参考訳（メタデータ） (2020-09-08T13:11:07Z)

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。