ترجمه فارسی مقاله مدل‌های مولد عمیق برای پیش‌بینی زیرگراف

چکیده

Graph Neural Networks (GNNs) are important across different domains, such as social network analysis and recommendation systems, due to their ability to model complex relational data. This paper introduces subgraph queries as a new task for deep graph learning. Unlike traditional graph prediction tasks that focus on individual components like link prediction or node classification, subgraph queries jointly predict the components of a target subgraph based on evidence that is represented by an observed subgraph. For instance, a subgraph query can predict a set of target links and/or node labels. To answer subgraph queries, we utilize a probabilistic deep Graph Generative Model. Specifically, we inductively train a Variational Graph Auto-Encoder (VGAE) model, augmented to represent a joint distribution over links, node features and labels. Bayesian optimization is used to tune a weighting for the relative importance of links, node features and labels in a specific domain. We describe a deterministic and a sampling-based inference method for estimating subgraph probabilities from the VGAE generative graph distribution, without retraining, in zero-shot fashion. For evaluation, we apply the inference methods on a range of subgraph queries on six benchmark datasets. We find that inference from a model achieves superior predictive performance, surpassing independent prediction baselines with improvements in AUC scores ranging from 0.06 to 0.2 points, depending on the dataset.

چکیده به فارسی (ترجمه ماشینی)

شبکه های عصبی نمودار (GNN) به دلیل توانایی آنها در مدل سازی داده های رابطه ای پیچیده ، در حوزه های مختلف ، مانند تجزیه و تحلیل شبکه های اجتماعی و سیستم های توصیه ، مهم هستند.در این مقاله نمایش داده شدگان زیرگراف به عنوان یک کار جدید برای یادگیری نمودار عمیق معرفی شده است.بر خلاف وظایف پیش بینی نمودار سنتی که بر مؤلفه های فردی مانند پیش بینی پیوند یا طبقه بندی گره متمرکز است ، نمایش داده های زیرگراف به طور مشترک مؤلفه های یک زیرگراف هدف را بر اساس شواهدی پیش بینی می کنند که توسط یک زیرگراف مشاهده شده نشان داده شده است.به عنوان مثال ، یک پرس و جو زیرگراف می تواند مجموعه ای از پیوندهای هدف و/یا برچسب های گره را پیش بینی کند.برای پاسخ به پرس و جوهای زیرگراف ، ما از یک مدل تولیدی نمودار عمیق احتمالی استفاده می کنیم.به طور خاص ، ما به طور القایی یک مدل متغیر Auto-Auto-Encoder (VGAE) را آموزش می دهیم ، که برای نشان دادن توزیع مشترک بر روی پیوندها ، ویژگی های گره و برچسب ها تقویت شده است.بهینه سازی بیزی برای تنظیم وزن برای اهمیت نسبی پیوندها ، ویژگی های گره و برچسب ها در یک دامنه خاص استفاده می شود.ما یک روش استنباط قطعی و مبتنی بر نمونه برداری را برای برآورد احتمالات زیرگراف از توزیع نمودار تولید کننده VGAE ، بدون بازآموزی ، به صورت صفر نشان می دهیم.برای ارزیابی ، ما روشهای استنتاج را در طیف وسیعی از نمایش داده های زیرگراف در شش مجموعه داده معیار اعمال می کنیم.ما می دانیم که استنتاج از یک مدل به عملکرد پیش بینی برتر می رسد و از خط مقدمات پیش بینی مستقل با پیشرفت در نمرات AUC از 0.06 تا 0.2 امتیاز استفاده می کند ، بسته به مجموعه داده.