論文の概要: Link prediction on multi-relational graphs from an influence propagation perspective

• arxiv url: http://arxiv.org/abs/2608.05016v1
• Date: Wed, 05 Aug 2026 16:21:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-06 14:48:43.986521
• Title: Link prediction on multi-relational graphs from an influence propagation perspective
• Title（参考訳）: 影響伝播の観点からのマルチリレーショナルグラフのリンク予測
• Authors: Zidu Yin, Yuankai Qi, Dong Gong, Ehsan Abbasnejad, Kun Yue, Javen Qinfeng Shi,
• Abstract要約: マルチリレーショナルグラフにおけるノード間のリンク(エッジ)の存在とタイプを予測することは、社会的相互作用の予測から知識関係の同定まで、応用の鍵となる。 ノード間の関係をノードの影響としてモデル化することで、この問題に対処する。 本稿では,インフルエンシャルグラフニューラル予測器IGNPを提案する。
• 参考スコア（独自算出の注目度）: 51.14502982773836
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Predicting the existence and type of links (edges) between nodes in a multi-relational graph is key for applications from social interaction prediction to knowledge relationship identification. Enhancing local features with relevant global information is crucial for accurate link prediction, yet it remains challenging. We address this by modeling the relationship between node pairs as node influence. That is, whether the node influence can be propagated and what type of influence is propagated indicates where and what type the edge is, which will be the most relevant local and global information to predict the edges. To this end, we extend the Susceptible-Infectious-Recovered (SIR) epidemic model to capture the influence propagation of nodes on a large scale through sub-graph structures. Subsequently, these sub-graphs are compressed using virtual edges, thereby substantially reducing the computation associated with utilizing the global graph structure. Finally, we propose the Influential Graph Neural Predictor, referred to as IGNP, a link prediction framework guided by influence propagation. Extensive experiments demonstrate the superiority of the proposed method, which outperforms strong baselines by a large margin on the widely used and real-world datasets.
• Abstract（参考訳）: マルチリレーショナルグラフにおけるノード間のリンク(エッジ)の存在とタイプを予測することは、社会的相互作用の予測から知識関係の同定まで、応用の鍵となる。 ローカル機能と関連するグローバル情報の統合は、正確なリンク予測には不可欠だが、それでも難しい。 ノード間の関係をノードの影響としてモデル化することでこの問題に対処する。 すなわち、ノードの影響が伝播可能か、どの影響が伝播可能かは、エッジがどの種類のものであるかを示し、エッジを予測する最も関連性の高いローカルおよびグローバルな情報である。 そこで我々は,SIR流行モデルを拡張し,サブグラフ構造を用いて大規模にノードの影響伝搬を捉える。 その後、これらのサブグラフを仮想エッジを用いて圧縮し、グローバルグラフ構造の利用に伴う計算を大幅に削減する。 最後に,インフルエンシャルグラフニューラル予測器(IGNP)を提案する。 広汎な実験により提案手法の優位性が示され, 広範に使用されている実世界のデータセットに対して, 強いベースラインをはるかに上回る結果となった。

関連論文リスト

• GISExplainer: On Explainability of Graph Neural Networks via Game-theoretic Interaction Subgraphs [21.012180171806456]
  GISExplainerはゲーム理論の相互作用に基づく説明手法である。 これは、GNNがノード分類のために学んだことを明らかにする。 GISExplainerは最先端のアプローチよりも優れたパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2024-09-24T03:24:31Z)
• Revealing Decurve Flows for Generalized Graph Propagation [108.80758541147418]
  本研究は,有向グラフと重み付きグラフを用いて,m文を一般化した伝播を定義することによって,従来のメッセージパッシング(中心からグラフ学習)の限界に対処する。 この分野ではじめて、データセットにおける学習された伝播パターンの予備的な探索を含む。
  論文  参考訳（メタデータ） (2024-02-13T14:13:17Z)
• Variational Disentangled Graph Auto-Encoders for Link Prediction [10.390861526194662]
  本稿では,DGAE(disentangled graph auto-encoder)とVDGAE(variantal disentangled graph auto-encoder)の2つの変種を持つ新しいフレームワークを提案する。 提案フレームワークは,グラフのエッジの原因となる潜伏因子を推定し,その表現を一意の潜伏因子に対応する複数のチャネルに分解する。
  論文  参考訳（メタデータ） (2023-06-20T06:25:05Z)
• Handling Distribution Shifts on Graphs: An Invariance Perspective [78.31180235269035]
  我々は、グラフ上のOOD問題を定式化し、新しい不変学習手法である探索・拡張リスク最小化(EERM)を開発する。 EERMは、複数の仮想環境からのリスクの分散を最大化するために、敵対的に訓練された複数のコンテキストエクスプローラーを利用する。 理論的に有効なOOD解の保証を示すことによって,本手法の有効性を実証する。
  論文  参考訳（メタデータ） (2022-02-05T02:31:01Z)
• DisenHAN: Disentangled Heterogeneous Graph Attention Network for Recommendation [11.120241862037911]
  不均一な情報ネットワークは、リコメンデータシステムにおけるスパーシリティとコールドスタートの問題を軽減するために広く利用されている。 そこで本稿では,非交叉不均質グラフアテンションネットワークDisenHANについて,トップ$N$のレコメンデーションを提案する。
  論文  参考訳（メタデータ） (2021-06-21T06:26:10Z)
• Adversarial Graph Disentanglement [47.27978741175575]
  実世界のグラフは複雑な位相構造を持ち、しばしば異なる潜在因子の相互作用によって形成される。 グラフ表現学習のためのアンダーラインtextbfAdversarial underlinetextbfDisentangled underlinetextbfGraph underlinetextbfConvolutional underlinetextbfNetwork (ADGCN)を提案する。
  論文  参考訳（メタデータ） (2021-03-12T14:11:36Z)
• Interpretable Signed Link Prediction with Signed Infomax Hyperbolic Graph [54.03786611989613]
  ソーシャルネットワークにおけるサイン付きリンク予測は、ユーザ(すなわちノード)間の基盤となる関係(リンク)を明らかにすることを目的としている 我々は Signed Infomax Hyperbolic Graph (textbfSIHG) と呼ばれる統一されたフレームワークを開発する。 高次ユーザ関係と複雑な階層をモデル化するために、ノードの埋め込みを投影し、より低歪みの双曲空間で測定する。
  論文  参考訳（メタデータ） (2020-11-25T05:09:03Z)

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。