Key points are not available for this paper at this time.
बड़े ग्राफ़ों में नोड्स के निम्न-आयामी एम्बेडिंग्स विभिन्न पूर्वानुमान कार्यों में अत्यंत उपयोगी साबित हुए हैं, जैसे सामग्री अनुशंसा से लेकर प्रोटीन कार्यों की पहचान तक। हालांकि, अधिकांश मौजूदा दृष्टिकोणों के लिए आवश्यक होता है कि ग्राफ़ के सभी नोड्स एम्बेडिंग्स के प्रशिक्षण के दौरान मौजूद हों; ये पूर्व के दृष्टिकोण स्वाभाविक रूप से ट्रांसडक्टिव होते हैं और अप्रकट नोड्स पर सामान्यीकृत नहीं होते। यहां हम GraphSAGE प्रस्तुत करते हैं, एक सामान्य, प्रेरणात्मक फ्रेमवर्क जो नोड फीचर जानकारी (जैसे, टेक्स्ट गुण) का उपयोग करके पहले से अप्रकट डेटा के लिए नोड एम्बेडिंग्स कुशलतापूर्वक उत्पन्न करता है। प्रत्येक नोड के लिए व्यक्तिगत एम्बेडिंग्स प्रशिक्षण करने के बजाय, हम एक ऐसा फ़ंक्शन सीखते हैं जो नोड के स्थानीय पड़ोस से फीचर्स के सैंपलिंग और एकत्रीकरण द्वारा एम्बेडिंग्स उत्पन्न करता है। हमारा एल्गोरिदम तीन प्रेरणात्मक नोड-श्रेणीकरण बेंचमार्क पर मजबूत बेसलाइनों से बेहतर प्रदर्शन करता है: हम विकासशील सूचना ग्राफ़ों में अप्रकट नोड्स की श्रेणी को विशिष्ट करते हैं, जो उद्धरण और Reddit पोस्ट डेटा पर आधारित हैं, और हम दिखाते हैं कि हमारा एल्गोरिदम प्रोटीन-प्रोटीन इंटरैक्शन के मल्टी-ग्राफ़ डेटासेट का उपयोग करके पूरी तरह अप्रकट ग्राफ़ों तक सामान्यीकृत होता है।
Building similarity graph...
Analyzing shared references across papers
Loading...
William L. Hamilton
Rex Ying
Jure Leskovec
Building similarity graph...
Analyzing shared references across papers
Loading...
Hamilton et al. (Wed,) ने इस प्रश्न का अध्ययन किया।
www.synapsesocial.com/papers/6a090f3b73218fa1919d26ec — DOI: https://doi.org/10.48550/arxiv.1706.02216
Synapse has enriched 4 closely related papers on similar clinical questions. Consider them for comparative context: