[論文レビュー] Adaptive Neighborhood Graph Construction for Inference in Multi-Relational Networks

Shobeir Fakhraei, Dhanya Sridhar+2 more|arXiv (Cornell University)|Jul 2, 2016

Advanced Graph Neural Networks参考文献 9被引用数 3

ひとこと要約

本稿では、中間推論状態と関係特性に基づいてグラフ構造を適応的に変更する動的でモデルに依存するフレームワークを提案し、推論中に多関係的近傍グラフを構築する。ノミネーションおよびアクティベーションコンポーネントを統合することで、重要なインスタンスおよび関係を優先し、薬物-標的相互作用データ上で実証されたように、リンク予測性能を向上させる。静的グラフ構築手法に比べ、網羅的な類似度計算への依存を低減し、スケーラビリティと正確性を向上させる。

ABSTRACT

A neighborhood graph, which represents the instances as vertices and their relations as weighted edges, is the basis of many semi-supervised and relational models for node labeling and link prediction. Most methods employ a sequential process to construct the neighborhood graph. This process often consists of generating a candidate graph, pruning the candidate graph to make a neighborhood graph, and then performing inference on the variables (i.e., nodes) in the neighborhood graph. In this paper, we propose a framework that can dynamically adapt the neighborhood graph based on the states of variables from intermediate inference results, as well as structural properties of the relations connecting them. A key strength of our framework is its ability to handle multi-relational data and employ varying amounts of relations for each instance based on the intermediate inference results. We formulate the link prediction task as inference on neighborhood graphs, and include preliminary results illustrating the effects of different strategies in our proposed framework.

研究の動機と目的

• 多関係的データにおける逐次的・モデルに依存しない近傍グラフ構築の限界を解決すること。
• 中間結果および関係構造を用いて、推論中に近傍グラフを動的に適応させるフレームワークを開発すること。
• モデルの不確実性および意思決定境界をグラフ構築に組み込むことで、リンク予測性能を向上させること。
• 適応的選択によって高影響度の関係およびインスタンスに焦点を当てることで、計算コストを低減すること。
• グラフ構築と推論を統合することで、大規模な多関係的ネットワークにおけるスケーラブルで効果的な推論を可能にすること。

提案手法

• フレームワークは、中間変数状態を用いて、推論とグラフ適応を交互に実行することで、動的かつ近傍グラフを構築する。
• 不確実性または重要性に基づいて、追加の関係を含めるインスタンスを選択するノミネーションコンポーネントを導入し、定員を基準とする。
• モデル状態から導出された活性化スコアを用いて、予測的関連性に基づいて関係をランク付けするアクティベーションコンポーネントを導入する。
• ノミネーションとアクティベーションを統合し、推論に最も有用な関係を優先して選択する。
• 関係重みをモデルから学習することで、適応的近傍グラフ上の推論としてリンク予測を定式化する。
• 多関係的データを扱うために、さまざまな関係タイプ（例：配列、PPI、GO）を統合し、それらの相対的重要性を学習する。

実験結果

リサーチクエスチョン

• RQ1 多関係的ネットワークにおいて、中間推論状態に応じて近傍グラフ構築をどのように適応可能にすることができるか？
• RQ2 モデルに依存するグラフ構築は、静的で逐次的な手法と比較して、リンク予測性能にどのような影響を与えるか？
• RQ3 インスタンスおよび関係の動的選択は、大規模ネットワークにおけるスケーラビリティと予測精度を向上させることができるか？
• RQ4 ノミネーションおよびアクティベーションコンポーネントは、推論中のグラフ進化をどのように導くか、それぞれの効果を比較できるか？
• RQ5 動的グラフ構築フレームワークにおいて、多関係的信号を効果的に統合できる範囲はどの程度か？

主な発見

• 10%の定員を用いたAWLノミネーション法は、制約なしにk個の関係を選択するベースラインと比較して、AUPR性能が向上した。
• アクティベーションのみの手法は、選択された類似度が少ないにもかかわらず、ノミネーションのみの手法よりも高いAUPRを達成し、スコアに基づく関係優先順位付けの有効性を示した。
• ノミネーションとアクティベーションコンポーネントを統合した手法は、初期段階でより少ない選択された類似度で高い性能を達成し、探索空間の効率的かつ効果的な探索を示した。
• 提案手法では、ベースラインと比較して、選択された類似度の数が一貫して少なく、計算オーバーヘッドが低減された。
• フレームワークは、配列、PPI、および遺伝子オントロジーといった多様な関係タイプを効果的に活用し、薬物-標的相互作用データセットにおけるリンク予測を向上させた。
• 結果から、モデルに依存する動的グラフ構築は、静的で逐次的な手法に比べ、正確性と効率性の両面で優れていることが示された。