論文の概要: Estimating Aggregate Properties In Relational Networks With Unobserved Data

• arxiv url: http://arxiv.org/abs/2001.05617v2
• Date: Mon, 27 Jan 2020 00:50:57 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-10 23:35:39.846426
• Title: Estimating Aggregate Properties In Relational Networks With Unobserved Data
• Title（参考訳）: 非観測データを用いた関係ネットワークにおける集約特性の推定
• Authors: Varun Embar, Sriram Srinivasan, Lise Getoor
• Abstract要約: 属性の欠如したネットワーク上での集約特性の推定における機械学習手法の有効性について検討する。 SRLに基づくアプローチは、集約特性の計算と予測精度の両方において、GNNベースのアプローチよりも優れていることを示す。
• 参考スコア（独自算出の注目度）: 18.753170947851256
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Aggregate network properties such as cluster cohesion and the number of bridge nodes can be used to glean insights about a network's community structure, spread of influence and the resilience of the network to faults. Efficiently computing network properties when the network is fully observed has received significant attention (Wasserman and Faust 1994; Cook and Holder 2006), however the problem of computing aggregate network properties when there is missing data attributes has received little attention. Computing these properties for networks with missing attributes involves performing inference over the network. Statistical relational learning (SRL) and graph neural networks (GNNs) are two classes of machine learning approaches well suited for inferring missing attributes in a graph. In this paper, we study the effectiveness of these approaches in estimating aggregate properties on networks with missing attributes. We compare two SRL approaches and three GNNs. For these approaches we estimate these properties using point estimates such as MAP and mean. For SRL-based approaches that can infer a joint distribution over the missing attributes, we also estimate these properties as an expectation over the distribution. To compute the expectation tractably for probabilistic soft logic, one of the SRL approaches that we study, we introduce a novel sampling framework. In the experimental evaluation, using three benchmark datasets, we show that SRL-based approaches tend to outperform GNN-based approaches both in computing aggregate properties and predictive accuracy. Specifically, we show that estimating the aggregate properties as an expectation over the joint distribution outperforms point estimates.
• Abstract（参考訳）: クラスタ凝集やブリッジノード数といった集約的なネットワーク特性は、ネットワークのコミュニティ構造、影響の広がり、ネットワークの障害へのレジリエンスに関する洞察を得るのに使うことができる。 ネットワークの完全観測時のネットワーク特性の効率的な計算が注目されている(wasserman and faust 1994; cook and holder 2006)が、データ属性が欠けている場合の集約的ネットワーク特性の計算の問題はほとんど注目されていない。 属性の欠如したネットワークに対するこれらのプロパティの計算は、ネットワーク上で推論を実行することを伴う。 統計的リレーショナルラーニング(SRL)とグラフニューラルネットワーク(GNN)は、グラフの欠落した属性を推測するのに適した機械学習アプローチの2つのクラスである。 本稿では,属性の欠如したネットワーク上での集約特性推定におけるこれらの手法の有効性について検討する。 2つのSRLアプローチと3つのGNNを比較した。 これらの手法ではMAPや平均といった点推定を用いてこれらの特性を推定する。 欠落属性に対する合同分布を推定できるsrlベースのアプローチでは、これらの特性を分布上の期待値として推定する。 確率的ソフトロジックに対する期待値を計算するため、我々はSRLアプローチの1つとして、新しいサンプリングフレームワークを導入する。 実験的評価では,3つのベンチマークデータセットを用いて,SRLに基づくアプローチが集約特性の計算と予測精度の両方においてGNNベースのアプローチより優れていることを示した。 具体的には,ジョイント分布上の期待値としての集約特性の推定が,ポイント推定を上回っていることを示す。

関連論文リスト

• Initial Investigation of Kolmogorov-Arnold Networks (KANs) as Feature Extractors for IMU Based Human Activity Recognition [5.067238125081022]
  我々はIMUに基づく人間活動認識タスクの機能抽出アーキテクチャとしてKanを実装した。 本研究では,4つの公開HARデータセット上でのkan-based feature extractorの性能評価を行った。
  論文  参考訳（メタデータ） (2024-06-16T19:56:03Z)
• 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)
• Distributed Learning over Networks with Graph-Attention-Based Personalization [49.90052709285814]
  分散ディープラーニングのためのグラフベースパーソナライズアルゴリズム(GATTA)を提案する。 特に、各エージェントのパーソナライズされたモデルは、グローバルな部分とノード固有の部分で構成される。 グラフ内の各エージェントを1つのノードとして扱うことにより、ノード固有のパラメータを特徴として扱うことにより、グラフアテンション機構の利点を継承することができる。
  論文  参考訳（メタデータ） (2023-05-22T13:48:30Z)
• Batch-Ensemble Stochastic Neural Networks for Out-of-Distribution Detection [55.028065567756066]
  Out-of-Distribution(OOD)検出は、機械学習モデルを現実世界のアプリケーションにデプロイすることの重要性から、マシンラーニングコミュニティから注目を集めている。 本稿では,特徴量の分布をモデル化した不確実な定量化手法を提案する。 バッチアンサンブルニューラルネットワーク(BE-SNN)の構築と機能崩壊問題の克服を目的として,効率的なアンサンブル機構,すなわちバッチアンサンブルを組み込んだ。 We show that BE-SNNs yield superior performance on the Two-Moons dataset, the FashionMNIST vs MNIST dataset, FashionM。
  論文  参考訳（メタデータ） (2022-06-26T16:00:22Z)
• Understanding the Distributions of Aggregation Layers in Deep Neural Networks [8.784438985280092]
  集約関数は、よりコンパクトな表現に深い特徴を統合するための重要なメカニズムである。 特に、DNNの出力層へのグローバルアグリゲーション層の近接は、集約された特徴がディープネットの性能に直接的な影響を与えることを意味する。 本稿では,深い特徴集約に関わるレイヤの出力値の確率分布を解析的にモデル化する,新しい数学的定式化を提案する。
  論文  参考訳（メタデータ） (2021-07-09T14:23:57Z)
• Deep Attributed Network Representation Learning via Attribute Enhanced Neighborhood [10.954489956418191]
  帰結型ネットワーク表現学習は、ネットワーク構造と属性情報の統合によるノード埋め込みの学習を目標としている。 微視的構造と属性のセマンティクスを同時に捉えることは困難である。 ノード表現の堅牢性と有効性を向上させるために,属性強化近傍(DANRL-ANE)モデルを用いたディープアトリビュートネットワーク表現学習を提案する。
  論文  参考訳（メタデータ） (2021-04-12T07:03:16Z)
• Anomaly Detection on Attributed Networks via Contrastive Self-Supervised Learning [50.24174211654775]
  本論文では,アトリビュートネットワーク上の異常検出のためのコントラスト型自己監視学習フレームワークを提案する。 このフレームワークは、新しいタイプのコントラストインスタンスペアをサンプリングすることで、ネットワークデータからのローカル情報を完全に活用します。 高次元特性と局所構造から情報埋め込みを学習するグラフニューラルネットワークに基づくコントラスト学習モデルを提案する。
  論文  参考訳（メタデータ） (2021-02-27T03:17:20Z)
• Self-Challenging Improves Cross-Domain Generalization [81.99554996975372]
  畳み込みニューラルネットワーク(CNN)は、ラベルと相関する支配的特徴を活性化することにより、画像分類を行う。 ドメイン外データに対するCNNの一般化を著しく改善する簡単なトレーニングである自己整合表現(RSC)を導入する。 RSCはトレーニングデータ上で活性化される主要な機能に対して反復的に挑戦し、ラベルと相関する残りの機能を有効にするようネットワークに強制する。
  論文  参考訳（メタデータ） (2020-07-05T21:42:26Z)
• ReActNet: Towards Precise Binary Neural Network with Generalized Activation Functions [76.05981545084738]
  本稿では,新たな計算コストを伴わずに,実数値ネットワークからの精度ギャップを埋めるため,バイナリネットワークを強化するためのいくつかのアイデアを提案する。 まず,パラメータフリーのショートカットを用いて,コンパクトな実数値ネットワークを修正・バイナライズすることで,ベースラインネットワークを構築する。 提案したReActNetはすべての最先端技術よりも大きなマージンで優れていることを示す。
  論文  参考訳（メタデータ） (2020-03-07T02:12:02Z)
• Distribution Approximation and Statistical Estimation Guarantees of Generative Adversarial Networks [82.61546580149427]
  GAN(Generative Adversarial Networks)は教師なし学習において大きな成功を収めている。 本稿では,H'older空間における密度データ分布推定のためのGANの近似と統計的保証を提供する。
  論文  参考訳（メタデータ） (2020-02-10T16:47:57Z)
• Predicting Attributes of Nodes Using Network Structure [0.34998703934432673]
  a_i$ の属性値を予測するために,属性 $a_i$ に関する特徴写像でノードを表現するアプローチを提案する。 10個の実世界のデータセットに対して広範な実験を行い、提案した特徴マップがこれらのデータセットのベースラインアプローチと比較して予測精度を大幅に向上することを示す。
  論文  参考訳（メタデータ） (2019-12-27T17:59:33Z)

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。