Topology-aware Tensor Decomposition for Meta-graph Learning

要約

異種グラフとは一般に、ノードとエッジの種類が異なるグラフのことである。異種グラフから有用な情報を抽出するための一般的なアプローチは、メタグラフを使用することである。メタグラフは、異種グラフと同じノードとエッジタイプを持つ特殊な有向無サイクルグラフ（DAG）と見なすことができる。しかし、適切なメタグラフを設計する方法は難しい。近年、異種グラフから適切なメタグラフを学習する研究が盛んに行われている。既存の手法は一般に、互いに独立な連続重みを辺に導入しているが、これはメタグラフのトポロジカルな構造を無視しており、効果がない可能性がある。この問題に対処するために、我々はメタグラフの学習におけるテンソルからの新しい視点を提案する。このような視点は、CANDECOMP/PARAFAC(CP)分解による既存研究の限界を解釈するのに役立つだけでなく、DAGの構造を反映したTENSUSと呼ばれるトポロジーを考慮したテンソル分解を提案するきっかけとなる。提案するトポロジーを考慮したテンソル分解は、使いやすく実装が簡単であり、異種グラフ上のノード分類や推薦を含む多くの既存研究をアップグレードするためのプラグイン部品として利用できる。様々なタスクに対する実験結果は、提案手法がこれら全てのタスクにおいて最先端技術を大幅に改善できることを示している。

要約(オリジナル)

Heterogeneous graphs generally refers to graphs with different types of nodes and edges. A common approach for extracting useful information from heterogeneous graphs is to use meta-graphs, which can be seen as a special kind of directed acyclic graph (DAG) with same node and edge types as the heterogeneous graph. However, how to design proper meta-graphs is challenging. Recently, there have been many works on learning suitable meta-graphs from a heterogeneous graph. Existing methods generally introduce continuous weights for edges that are independent of each other, which ignores the topological stucture of meta-graphs and can be ineffective. To address this issue, we propose a new viewpoint from tensor on learning meta-graphs. Such a viewpoint not only helps interpret the limitation of existing works by CANDECOMP/PARAFAC (CP) decomposition, but also inspires us to propose a topology-aware tensor decomposition, called TENSUS, that reflects the structure of DAGs. The proposed topology-aware tensor decomposition is easy to use and simple to implement, and it can be taken as a plug-in part to upgrade many existing works, including node classification and recommendation on heterogeneous graphs. Experimental results on different tasks demonstrate that the proposed method can significantly improve the state-of-the-arts for all these tasks.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL