論文の概要: Multi-Granularity Position Embedding of Graphs via Granular-Ball for Link Prediction
- arxiv url: http://arxiv.org/abs/2607.29115v1
- Date: Fri, 31 Jul 2026 07:44:11 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-03 16:35:22.223058
- Title: Multi-Granularity Position Embedding of Graphs via Granular-Ball for Link Prediction
- Title（参考訳）: 連接予測のためのグラニュラーボールによるグラフの多角的位置埋め込み
- Abstract要約: リンク予測は、与えられたグラフ構造内のポテンシャルまたは将来の接続を特定することを目的としている。
従来の研究では、ノードの位置情報を単一粒度のランドマークまでの距離として導き出している。
リンク予測のためのグラニュラーボールによるグラフの多角的位置埋め込みを提案する。
- 参考スコア（独自算出の注目度）: 34.228953325108954
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Link prediction aims to identify potential or future connections within a given graph structure. Position information is essential for link prediction, as it distinguishes homogeneous nodes through their relative relationships, facilitating the accurate capture of structural patterns and implicit connections. Previous studies derive node positional information as distances to single-granularity landmarks, defined as the centers of homophilic regions, while neglecting the multi-granularity nature of homophilic structures and their hierarchical interrelations. We propose the Multi-Granularity Position Embedding of Graphs via Granular-Ball for Link Prediction (MGLP) method to obtain multi-granularity position embedding of graphs. Specifically, MGLP introduces an Adaptive Granular-Ball Graph Refinement mechanism to adaptively refine the graph into homophilic subdomains with optimal levels of granularity. The central nodes within subdomains are treated as landmarks, which form a Hierarchical Central Graph. Moreover, a novel Multi-granularity Hierarchical Distance encoding mechanism is proposed to capture both the homophilic structures within a graph and their hierarchical correlations, improving the discriminative power of nodes. Experimental results demonstrate that the multi-granularity position embedding generated by our method exhibits excellent performance and strong competitiveness compared to baseline algorithms for link prediction. Our codes are available in https://anonymous.4open.science/r/MGLP-D3C5/.
- Abstract（参考訳）: リンク予測は、与えられたグラフ構造内のポテンシャルまたは将来の接続を特定することを目的としている。
位置情報は、それらの相対関係を通じて同質なノードを区別し、構造パターンと暗黙的な接続の正確なキャプチャを容易にするため、リンク予測に不可欠である。
以前の研究では、ノードの位置情報を一粒性ランドマークまでの距離として導き出し、同好領域の中心として定義され、同好構造の多粒性の性質と階層的相互関係を無視した。
本稿では,グラフの多粒性位置埋め込みを実現するために,グラニュラバル・リンク予測(MGLP)法によるグラフの多粒性位置埋め込みを提案する。
具体的には、MGLPは、グラフを最適な粒度のホモ親和性サブドメインに適応的に洗練する適応的グラニュラー・ボールグラフ精製機構を導入している。
サブドメイン内の中央ノードはランドマークとして扱われ、階層的な中央グラフを形成する。
さらに,グラフ内のホモフィル構造とその階層的相関を捕捉し,ノードの識別能力を向上させるために,新しい多粒性階層的距離符号化機構を提案する。
実験により,本手法により生成した多粒度位置埋め込みは,リンク予測のためのベースラインアルゴリズムと比較して,優れた性能と強い競争性を示すことが示された。
私たちのコードはhttps://anonymous.4open.science/r/MGLP-D3C5/で利用可能です。
関連論文リスト
- Graph Cascades: Contagion-Based Mesoscopic Rewiring for Structure-Aware Graph Machine Learning [8.480205772461925]
グラフニューラルネットワーク(GNN)とグラフトランスフォーマー(GT)のメソスコピックリスイッチ戦略であるグラフカスケードを導入する。
グラフカスケードは、感染に基づく拡散プロセスを用いて補助グラフを構築し、繰り返し多重ホップ強化によって支持されるノードペアが直接隣人に昇格する。
経験的に、ノード分類ベンチマークを通じて、グラフカスケードは複数のGNNとスパースGTバックボーンを改善し、ヘテロ親和性および中等度から高次ホモ親和性グラフ上で最も信頼性の高いゲインを観測する。
論文 参考訳（メタデータ） (2026-06-03T16:07:24Z) - Directed Homophily-Aware Graph Neural Network [7.539052660225002]
我々は、ホモフィア認識と指向性を考慮した新しいフレームワーク、Directed Homophily-aware Graph Neural Network (DHGNN)を提案する。
DHGNNは、ホモフィリーレベルと情報性に基づいてメッセージコントリビューションを適応的に変調するリセット可能なゲーティング機構を採用している。
解析により、このゲーティング機構は、方向のホモフィリギャップを捕捉し、層を横切るホモフィリを変動させ、複雑なグラフ構造上のメッセージパッシングの挙動について深い洞察を与えることが示された。
論文 参考訳（メタデータ） (2025-05-28T13:41:04Z) - Improving Graph Neural Networks by Learning Continuous Edge Directions [0.0]
グラフニューラルネットワーク(GNN)は、従来、非指向グラフ上の拡散に似たメッセージパッシング機構を採用している。
私たちのキーとなる洞察は、ファジィエッジ方向をグラフのエッジに割り当てることです。
ファジィエッジを持つグラフを学習するためのフレームワークとして,Continuous Edge Direction (CoED) GNNを提案する。
論文 参考訳（メタデータ） (2024-10-18T01:34:35Z) - Hierarchical Position Embedding of Graphs with Landmarks and Clustering for Link Prediction [4.079147243688765]
本稿ではランドマークと呼ばれる代表ノードを用いた位置情報の表現を提案する。
高い集中度を持つ少数のノードがランドマークとして選択され、ノードの位置の参照ポイントとして機能する。
実践的なネットワークに理論的知見を適用し,ランドマークとクラスタリングを組み込んだ階層的位置推定を提案する。
論文 参考訳（メタデータ） (2024-02-13T02:13:12Z) - Graph Transformer GANs with Graph Masked Modeling for Architectural
Layout Generation [153.92387500677023]
本稿では,グラフノード関係を効果的に学習するために,GTGAN(Graph Transformer Generative Adversarial Network)を提案する。
提案したグラフ変換器エンコーダは、局所的およびグローバルな相互作用をモデル化するために、Transformer内のグラフ畳み込みと自己アテンションを組み合わせる。
また,グラフ表現学習のための自己指導型事前学習手法を提案する。
論文 参考訳（メタデータ） (2024-01-15T14:36:38Z) - Deep Manifold Graph Auto-Encoder for Attributed Graph Embedding [51.75091298017941]
本稿では,属性付きグラフデータに対する新しいDeep Manifold (Variational) Graph Auto-Encoder (DMVGAE/DMGAE)を提案する。
提案手法は,最先端のベースラインアルゴリズムを,一般的なデータセット間でのダウンストリームタスクの差を大きく越える。
論文 参考訳（メタデータ） (2024-01-12T17:57:07Z) - Graph Transformer GANs for Graph-Constrained House Generation [223.739067413952]
本稿では,グラフノード関係を効果的に学習するために,GTGAN(Graph Transformer Generative Adversarial Network)を提案する。
GTGANは、グラフ制約のある住宅生成タスクにおいて、エンドツーエンドで効率的なグラフノード関係を学習する。
論文 参考訳（メタデータ） (2023-03-14T20:35:45Z) - 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) - Distance-aware Molecule Graph Attention Network for Drug-Target Binding
Affinity Prediction [54.93890176891602]
薬物標的結合親和性予測に適したDiStance-aware Molecule graph Attention Network (S-MAN)を提案する。
そこで,我々はまず,構築したポケットリガンドグラフに位相構造と空間位置情報を統合する位置符号化機構を提案する。
また,エッジレベルアグリゲーションとノードレベルアグリゲーションを有するエッジノード階層的アグリゲーション構造を提案する。
論文 参考訳（メタデータ） (2020-12-17T17:44:01Z) - Block-Approximated Exponential Random Graphs [77.4792558024487]
指数乱グラフ(ERG)の分野における重要な課題は、大きなグラフ上の非自明なERGの適合である。
本稿では,非自明なERGに対する近似フレームワークを提案する。
我々の手法は、数百万のノードからなるスパースグラフにスケーラブルである。
論文 参考訳（メタデータ） (2020-02-14T11:42:16Z)
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。