論文の概要: GravityGraphSAGE: Link Prediction in Directed Attributed Graphs

• arxiv url: http://arxiv.org/abs/2605.09408v1
• Date: Sun, 10 May 2026 08:19:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-12 23:28:50.2336
• Title: GravityGraphSAGE: Link Prediction in Directed Attributed Graphs
• Title（参考訳）: GravityGraphSAGE: ダイレクト分散グラフにおけるリンク予測
• Authors: Riccardo Porcedda, Francesca Chiaromonte, Fabrizio Lillo, Andrea Vandin,
• Abstract要約: リンク予測はネットワーク科学における基本的な問題であり、生物学的システム、推薦システム、ファイナンス、サイバーセキュリティなど幅広い応用がある。 リッチな文献にもかかわらず、特にエッジ(方向)とノード(属性)に関する情報が豊富なグラフの場合、リンク予測は依然として難しい。
• 参考スコア（独自算出の注目度）: 1.2272199050256793
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Link prediction (inferring missing or future connections between nodes in a graph) is a fundamental problem in network science with widespread applications in, e.g., biological systems, recommender systems, finance and cybersecurity. The ability to accurately predict links has significant real-world applications, such as detecting fraudulent financial transactions or identifying drug-target interactions in biomedicine. Despite a rich literature, link prediction is still challenging, especially for graphs enriched with information on edges (direction) and nodes (attributes). In fact, research on link prediction, especially the one based on Graph Deep Learning (GDL), has mostly focused on undirected graphs, without fully leveraging node attributes. Here, we fill this gap by proposing Gravity-GraphSAGE (GG-SAGE), a modified version of GraphSAGE, a GDL model for node embeddings, composed of a gravity-inspired decoder. This implementation is the first example in the literature of a GraphSAGE backbone adopted for directed link prediction. Using the benchmark datasets Cora, Citeseer, PubMed and 16 real-world graphs from the online Netzschleuder repository, we show that our proposed model outperforms state-of-the-art GDL link prediction techniques. Using further experimental evidence, we relate the quality of the output of our model with various characteristics of the graph, suggesting that our framework scales well when applied to data of increasing complexity.
• Abstract（参考訳）: リンク予測(グラフ内のノード間の欠落や将来的な接続を推測する)は、ネットワーク科学における基本的な問題であり、例えば生物学的システム、レコメンデーターシステム、ファイナンス、サイバーセキュリティなど幅広い応用がある。 リンクを正確に予測する能力は、不正な金融取引の検出や、バイオメディシンにおける薬物と標的の相互作用の特定など、現実世界で重要な応用がある。 リッチな文献にもかかわらず、特にエッジ(方向)とノード(属性)に関する情報が豊富なグラフの場合、リンク予測は依然として難しい。 実際、リンク予測の研究、特にグラフディープラーニング(GDL)に基づく研究は、ノード属性を完全に活用することなく、主に非方向グラフに焦点を当てている。 本稿では,ノード埋め込みのためのGDLモデルであるGraphSAGEの修正版であるGravity-GraphSAGE(GG-SAGE)を提案することで,このギャップを埋める。 この実装は、直接リンク予測に採用されたGraphSAGEバックボーンの文献における最初の例である。 オンラインNetzschleuderリポジトリのベンチマークデータセットCola, Citeseer, PubMed, 16の実世界のグラフを用いて, 提案したモデルが最先端のGDLリンク予測技術より優れていることを示す。 さらに実験的なエビデンスを用いて,グラフの様々な特性とモデル出力の質を関連付けることにより,複雑性が増大するデータに適用した場合に,我々のフレームワークが十分にスケールできることが示唆された。

関連論文リスト

• Directed Link Prediction using GNN with Local and Global Feature Fusion [20.470116080519585]
  リンク予測はグラフ解析における古典的な問題であり、多くの実用的な応用がある。 コミュニティ情報と融合する新しいグラフニューラルネットワーク(GNN)フレームワークを提案する。 当社の手法は, リンクの30%, 40%, 50%, 60%がトレーニングデータとして使用される場合, 最先端の手法よりも優れています。
  論文  参考訳（メタデータ） (2025-06-25T08:25:56Z)
• Hypergraph-enhanced Dual Semi-supervised Graph Classification [14.339207883093204]
  半教師付きグラフ分類のためのハイパーグラフ拡張DuALフレームワークHEALを提案する。 ノード間の高次関係をよりよく探求するために,複雑なノード依存を適応的に学習するハイパーグラフ構造を設計する。 学習したハイパーグラフに基づいて,ハイパーエッジ間の相互作用を捉える線グラフを導入する。
  論文  参考訳（メタデータ） (2024-05-08T02:44:13Z)
• Model Inversion Attacks against Graph Neural Networks [65.35955643325038]
  グラフニューラルネットワーク(GNN)に対するモデル反転攻撃について検討する。 本稿では,プライベートトレーニンググラフデータを推測するためにGraphMIを提案する。 実験の結果,このような防御効果は十分ではないことが示され,プライバシー攻撃に対するより高度な防御が求められている。
  論文  参考訳（メタデータ） (2022-09-16T09:13:43Z)
• MentorGNN: Deriving Curriculum for Pre-Training GNNs [61.97574489259085]
  本稿では,グラフ間のGNNの事前学習プロセスの監視を目的とした,MentorGNNというエンドツーエンドモデルを提案する。 我々は、事前学習したGNNの一般化誤差に自然かつ解釈可能な上限を導出することにより、関係データ(グラフ)に対するドメイン適応の問題に新たな光を当てた。
  論文  参考訳（メタデータ） (2022-08-21T15:12:08Z)
• Learning Graph Structure from Convolutional Mixtures [119.45320143101381]
  本稿では、観測されたグラフと潜伏グラフのグラフ畳み込み関係を提案し、グラフ学習タスクをネットワーク逆(デコンボリューション)問題として定式化する。 固有分解に基づくスペクトル法の代わりに、近似勾配反復をアンロール・トランケートして、グラフデコンボリューションネットワーク(GDN)と呼ばれるパラメータ化ニューラルネットワークアーキテクチャに到達させる。 GDNは、教師付き方式でグラフの分布を学習し、損失関数を適応させることでリンク予測やエッジウェイト回帰タスクを実行し、本質的に帰納的である。
  論文  参考訳（メタデータ） (2022-05-19T14:08:15Z)
• Node Feature Extraction by Self-Supervised Multi-scale Neighborhood Prediction [123.20238648121445]
  我々は、新しい自己教師型学習フレームワーク、グラフ情報支援ノード機能exTraction (GIANT)を提案する。 GIANT は eXtreme Multi-label Classification (XMC) 形式を利用しており、これはグラフ情報に基づいた言語モデルの微調整に不可欠である。 我々は,Open Graph Benchmarkデータセット上での標準GNNパイプラインよりもGIANTの方が優れた性能を示す。
  論文  参考訳（メタデータ） (2021-10-29T19:55:12Z)
• GraphMI: Extracting Private Graph Data from Graph Neural Networks [59.05178231559796]
  GNNを反転させてトレーニンググラフのプライベートグラフデータを抽出することを目的とした textbfGraph textbfModel textbfInversion attack (GraphMI) を提案する。 具体的には,グラフ特徴の空間性と滑らかさを保ちながら,グラフエッジの離散性に対処する勾配モジュールを提案する。 エッジ推論のためのグラフトポロジ、ノード属性、ターゲットモデルパラメータを効率的に活用するグラフ自動エンコーダモジュールを設計する。
  論文  参考訳（メタデータ） (2021-06-05T07:07:52Z)
• A comparative study of similarity-based and GNN-based link prediction approaches [1.0441880303257467]
  グラフニューラルネットワーク(GNN)は、グラフ内のリンク予測タスクに使用できるグラフから隠れた特徴を学習することができる。 本稿では、同次グラフの領域における類似性とGNNに基づくリンク予測手法について検討する。
  論文  参考訳（メタデータ） (2020-08-20T10:41:53Z)
• Learning to Extrapolate Knowledge: Transductive Few-shot Out-of-Graph Link Prediction [69.1473775184952]
  数発のアウトオブグラフリンク予測という現実的な問題を導入する。 我々は,新しいメタ学習フレームワークによってこの問題に対処する。 我々は,知識グラフの補完と薬物と薬物の相互作用予測のために,複数のベンチマークデータセット上でモデルを検証した。
  論文  参考訳（メタデータ） (2020-06-11T17:42:46Z)

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。