論文の概要: A Block-based Generative Model for Attributed Networks Embedding
- arxiv url: http://arxiv.org/abs/2001.01383v2
- Date: Sun, 1 Nov 2020 09:57:06 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-14 02:01:12.433158
- Title: A Block-based Generative Model for Attributed Networks Embedding
- Title（参考訳）: 属性付きネットワーク埋め込みのためのブロックベース生成モデル
- Authors: Xueyan Liu, Bo Yang, Wenzhuo Song, Katarzyna Musial, Wanli Zuo, Hongxu
Chen, Hongzhi Yin
- Abstract要約: 本稿では,確率の観点から属性付きネットワーク埋め込みのためのブロックベース生成モデルを提案する。
ニューラルネットワークを用いてノード埋め込みとノード属性間の非線形性を特徴付ける。
その結果,提案手法はクラスタリングと分類タスクの両方において,最先端の埋め込み手法よりも一貫して優れていることがわかった。
- 参考スコア（独自算出の注目度）: 42.00826538556588
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Attributed network embedding has attracted plenty of interest in recent
years. It aims to learn task-independent, low-dimensional, and continuous
vectors for nodes preserving both topology and attribute information. Most of
the existing methods, such as random-walk based methods and GCNs, mainly focus
on the local information, i.e., the attributes of the neighbours. Thus, they
have been well studied for assortative networks (i.e., networks with
communities) but ignored disassortative networks (i.e., networks with
multipartite, hubs, and hybrid structures), which are common in the real world.
To enable model both assortative and disassortative networks, we propose a
block-based generative model for attributed network embedding from a
probability perspective. Specifically, the nodes are assigned to several blocks
wherein the nodes in the same block share the similar linkage patterns. These
patterns can define assortative networks containing communities or
disassortative networks with the multipartite, hub, or any hybrid structures.
To preserve the attribute information, we assume that each node has a hidden
embedding related to its assigned block. We use a neural network to
characterize the nonlinearity between node embeddings and node attributes. We
perform extensive experiments on real-world and synthetic attributed networks.
The results show that our proposed method consistently outperforms
state-of-the-art embedding methods for both clustering and classification
tasks, especially on disassortative networks.
- Abstract（参考訳）: 分散ネットワークの埋め込みは近年、多くの関心を集めている。
トポロジと属性情報の両方を保持するノードに対して、タスク非依存、低次元、連続ベクトルを学習することを目的としている。
ランダムウォーク法やgcn法のような既存の手法のほとんどは、主にローカル情報、すなわち近隣の属性に焦点を当てている。
このように、これらのネットワークは、コンソーシアトネットワーク(コミュニティとのネットワーク)としてよく研究されているが、現実世界で一般的な非コンソーシアトネットワーク(マルチパーティイト、ハブ、ハイブリッド構造を持つネットワーク)を無視している。
そこで本研究では,確率的観点からのネットワーク埋め込みに対するブロックベース生成モデルを提案する。
具体的には、同じブロック内のノードが類似のリンケージパターンを共有している複数のブロックにノードを割り当てる。
これらのパターンは、コミュニティを含むアソシエイトネットワークや、マルチパーティイト、ハブ、あるいは任意のハイブリッド構造を持つ非コンソシエイトネットワークを定義することができる。
属性情報を保存するために、各ノードが割り当てられたブロックに関連する隠れ埋め込みを持っていると仮定する。
ニューラルネットワークを用いてノード埋め込みとノード属性間の非線形性を特徴付ける。
実世界および合成属性ネットワークに関する広範な実験を行う。
その結果,提案手法は,クラスタリングと分類タスク,特に異種ネットワークにおいて,最先端の組込み手法を一貫して上回っていることがわかった。
関連論文リスト
- A Dirichlet stochastic block model for composition-weighted networks [0.0]
合成重みベクトルの直接モデリングに基づく合成重み付きネットワークのブロックモデルを提案する。
推論は分類期待-最大化アルゴリズムの拡張によって実装される。
このモデルはシミュレーション研究を用いて検証され,Erasmus交換プログラムのネットワークデータと,ロンドン市における自転車共有ネットワークで実証された。
論文 参考訳（メタデータ） (2024-08-01T15:41:07Z) - GNN-LoFI: a Novel Graph Neural Network through Localized Feature-based
Histogram Intersection [51.608147732998994]
グラフニューラルネットワークは、グラフベースの機械学習の選択フレームワークになりつつある。
本稿では,古典的メッセージパッシングに代えて,ノード特徴の局所分布を解析するグラフニューラルネットワークアーキテクチャを提案する。
論文 参考訳（メタデータ） (2024-01-17T13:04:23Z) - Exact Recovery and Bregman Hard Clustering of Node-Attributed Stochastic
Block Model [0.16385815610837165]
本稿では,コミュニティラベルの正確な回復のための情報理論的基準を提案する。
ネットワークと属性情報をどのように交換して正確なリカバリを行うかを示す。
また、共同確率を最大化する反復的クラスタリングアルゴリズムも提示する。
論文 参考訳（メタデータ） (2023-10-30T16:46:05Z) - Collaborative Graph Neural Networks for Attributed Network Embedding [63.39495932900291]
グラフニューラルネットワーク(GNN)は、属性付きネットワーク埋め込みにおいて顕著な性能を示している。
本稿では,ネットワーク埋め込みに適したGNNアーキテクチャであるCulaborative graph Neural Networks-CONNを提案する。
論文 参考訳（メタデータ） (2023-07-22T04:52:27Z) - Deep Embedded Clustering with Distribution Consistency Preservation for
Attributed Networks [15.895606627146291]
本研究では,属性ネットワークに対するエンドツーエンドの深層クラスタリングモデルを提案する。
グラフオートエンコーダとノード属性オートエンコーダを使用して、ノード表現とクラスタ割り当てをそれぞれ学習する。
提案手法は, 最先端手法と比較して, 性能が著しく向上する。
論文 参考訳（メタデータ） (2022-05-28T02:35:34Z) - Pay Attention to Relations: Multi-embeddings for Attributed Multiplex
Networks [0.0]
RAHMeNは、属性付き異種多重ネットワークのための新しい統合型関係認識組込みフレームワークである。
本モデルでは,ノード属性,モチーフに基づく特徴,関係性に基づくGCNアプローチ,ノードの埋め込みを学習するための関係性自己アテンションが組み込まれている。
我々は,Amazon,Twitter,YouTube,Tio PPIの4つの実世界のデータセットを,トランスダクティブおよびインダクティブの両方で評価した。
論文 参考訳（メタデータ） (2022-03-03T18:31:29Z) - DeHIN: A Decentralized Framework for Embedding Large-scale Heterogeneous
Information Networks [64.62314068155997]
本稿では,異種情報ネットワーク(DeHIN)のための分散埋め込みフレームワークについて述べる。
DeHINは、大きなHINをハイパーグラフとして革新的に定式化するコンテキスト保存分割機構を提供する。
当社のフレームワークでは,木のようなパイプラインを採用することで,効率よくHINを分割する分散戦略を採用しています。
論文 参考訳（メタデータ） (2022-01-08T04:08:36Z) - Block Dense Weighted Networks with Augmented Degree Correction [1.2031796234206138]
本稿では,接続パターンの異なる重み付きネットワークの生成と推定を行う新しいフレームワークを提案する。
提案したモデルは,個々のノード特性をノードを接続するエッジにマッピングする関数の特定のクラスに依存している。
また,複数のデータセットを収集できない状況において,同一の頂点上で新たなネットワークを生成するブートストラップ手法を開発した。
論文 参考訳（メタデータ） (2021-05-26T01:25:07Z) - Graph Prototypical Networks for Few-shot Learning on Attributed Networks [72.31180045017835]
グラフメタ学習フレームワーク - Graph Prototypeal Networks (GPN) を提案する。
GPNは、属性付きネットワーク上でテキストミータ学習を行い、ターゲット分類タスクを扱うための高度に一般化可能なモデルを導出する。
論文 参考訳（メタデータ） (2020-06-23T04:13:23Z) - Unsupervised Differentiable Multi-aspect Network Embedding [52.981277420394846]
本稿では,asp2vecと呼ばれるマルチアスペクトネットワーク埋め込みのための新しいエンドツーエンドフレームワークを提案する。
提案するフレームワークは容易に異種ネットワークに拡張できる。
論文 参考訳（メタデータ） (2020-06-07T19:26:20Z)
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。