論文の概要: Fast Sequence-Based Embedding with Diffusion Graphs

• arxiv url: http://arxiv.org/abs/2001.07463v1
• Date: Tue, 21 Jan 2020 12:04:21 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-07 23:43:37.893159
• Title: Fast Sequence-Based Embedding with Diffusion Graphs
• Title（参考訳）: 拡散グラフを用いた高速シーケンスベース埋め込み
• Authors: Benedek Rozemberczki and Rik Sarkar
• Abstract要約: ネットワーク埋め込みのためのシーケンスを高速に生成する手法として拡散グラフを提案する。 その計算効率は、より単純なシーケンス生成のため、従来の方法よりも優れている。 コミュニティ検出タスクでは、埋め込み空間内のクラスタリングノードは、他のシーケンスベースの埋め込み方法よりも優れた結果をもたらす。
• 参考スコア（独自算出の注目度）: 8.147652597876862
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: A graph embedding is a representation of graph vertices in a low-dimensional space, which approximately preserves properties such as distances between nodes. Vertex sequence-based embedding procedures use features extracted from linear sequences of nodes to create embeddings using a neural network. In this paper, we propose diffusion graphs as a method to rapidly generate vertex sequences for network embedding. Its computational efficiency is superior to previous methods due to simpler sequence generation, and it produces more accurate results. In experiments, we found that the performance relative to other methods improves with increasing edge density in the graph. In a community detection task, clustering nodes in the embedding space produces better results compared to other sequence-based embedding methods.
• Abstract（参考訳）: グラフ埋め込みは低次元空間におけるグラフ頂点の表現であり、ノード間の距離のような性質をほぼ保存する。 頂点シーケンスに基づく埋め込み手順は、ニューラルネットワークを使用して埋め込みを作成するためにノードの線形シーケンスから抽出された特徴を使用する。 本稿では,ネットワーク埋め込みのための頂点列を高速に生成する手法として拡散グラフを提案する。 その計算効率は、より単純なシーケンス生成のために従来の方法よりも優れており、より正確な結果が得られる。 実験の結果,グラフのエッジ密度の増加に伴い,他の手法と比較して性能が向上することがわかった。 コミュニティ検出タスクでは、組み込み空間におけるクラスタリングノードは、他のシーケンスベースの埋め込みメソッドよりも優れた結果を生み出す。

関連論文リスト

• Virtual Node Generation for Node Classification in Sparsely-Labeled Graphs [2.0060301665996016]
  本稿では,グラフに付加されたラベル付きノードとして,少数の高品質な合成ノードを注入する新しいノード生成手法を提案する。 一般的なグラフ事前学習(自己教師付き学習)、半教師付き学習、メタ学習法と互換性がある。 実験では、公開されている10のデータセットに対して、14のベースラインに対して統計的に有意なパフォーマンス改善を実証した。
  論文  参考訳（メタデータ） (2024-09-12T02:36:44Z)
• RandAlign: A Parameter-Free Method for Regularizing Graph Convolutional Networks [13.83680253264399]
  本稿では,グラフ畳み込みネットワークの正規化手法であるRandAlignを提案する。 RandAlignの考え方は、学習した各ノードの埋め込みと前のレイヤの埋め込みをランダムに整列させることである。 異なるグラフ領域のタスクに対して、7つのベンチマークデータセット上でRandAlignを実験的に評価する。
  論文  参考訳（メタデータ） (2024-04-15T13:28:13Z)
• Deep Manifold Graph Auto-Encoder for Attributed Graph Embedding [51.75091298017941]
  本稿では,属性付きグラフデータに対する新しいDeep Manifold (Variational) Graph Auto-Encoder (DMVGAE/DMGAE)を提案する。 提案手法は,最先端のベースラインアルゴリズムを,一般的なデータセット間でのダウンストリームタスクの差を大きく越える。
  論文  参考訳（メタデータ） (2024-01-12T17:57:07Z)
• NodeFormer: A Scalable Graph Structure Learning Transformer for Node Classification [70.51126383984555]
  本稿では,任意のノード間のノード信号を効率的に伝搬する全ペアメッセージパッシング方式を提案する。 効率的な計算は、カーナライズされたGumbel-Softmax演算子によって実現される。 グラフ上のノード分類を含む様々なタスクにおいて,本手法の有望な有効性を示す実験を行った。
  論文  参考訳（メタデータ） (2023-06-14T09:21:15Z)
• Learning Heuristics for the Maximum Clique Enumeration Problem Using Low Dimensional Representations [0.0]
  本稿では,最大列挙問題の傾きを低減するために,入力グラフのプルーニング処理に学習フレームワークを用いる。 本手法の性能評価において,異なる頂点表現を用いることが果たす役割について検討する。 分類過程において局所的なグラフ特徴を用いることで,特徴の除去過程と組み合わせることで,より正確な結果が得られることが観察された。
  論文  参考訳（メタデータ） (2022-10-30T22:04:32Z)
• Digraphwave: Scalable Extraction of Structural Node Embeddings via Diffusion on Directed Graphs [20.432261314154804]
  Digraphwaveは、有向グラフ上の構造ノード埋め込みを抽出するスケーラブルなアルゴリズムである。 この2つの組込み強化は、自己同型アイデンティティの分類において、マクロF1スコアの顕著な増加につながることが示されている。
  論文  参考訳（メタデータ） (2022-07-20T19:03:35Z)
• Graph Neural Networks with Feature and Structure Aware Random Walk [7.143879014059894]
  典型的な好適なグラフでは、エッジを指向する可能性があり、エッジをそのまま扱うか、あるいは単純に非指向にするかは、GNNモデルの性能に大きな影響を与える。 そこで我々は,グラフの方向性を適応的に学習するモデルを開発し,ノード間の長距離相関を生かした。
  論文  参考訳（メタデータ） (2021-11-19T08:54:21Z)
• Multilayer Graph Clustering with Optimized Node Embedding [70.1053472751897]
  多層グラフクラスタリングは、グラフノードをカテゴリまたはコミュニティに分割することを目指しています。 与えられた多層グラフの層をクラスタリングに親しみやすい埋め込みを提案する。 実験の結果,本手法は著しい改善をもたらすことがわかった。
  論文  参考訳（メタデータ） (2021-03-30T17:36:40Z)
• Graph Pooling with Node Proximity for Hierarchical Representation Learning [80.62181998314547]
  本稿では,ノード近接を利用したグラフプーリング手法を提案し,そのマルチホップトポロジを用いたグラフデータの階層的表現学習を改善する。 その結果,提案したグラフプーリング戦略は,公開グラフ分類ベンチマークデータセットの集合において,最先端のパフォーマンスを達成できることが示唆された。
  論文  参考訳（メタデータ） (2020-06-19T13:09:44Z)
• Graph Neural Networks with Composite Kernels [60.81504431653264]
  カーネル重み付けの観点からノード集約を再解釈する。 本稿では,アグリゲーション方式における特徴類似性を考慮したフレームワークを提案する。 特徴空間における特徴類似性をエンコードするために,元の隣り合うカーネルと学習可能なカーネルの合成として特徴集約を提案する。
  論文  参考訳（メタデータ） (2020-05-16T04:44:29Z)
• Block-Approximated Exponential Random Graphs [77.4792558024487]
  指数乱グラフ(ERG)の分野における重要な課題は、大きなグラフ上の非自明なERGの適合である。 本稿では,非自明なERGに対する近似フレームワークを提案する。 我々の手法は、数百万のノードからなるスパースグラフにスケーラブルである。
  論文  参考訳（メタデータ） (2020-02-14T11:42:16Z)

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。