論文の概要: Explainable Subgraphs with Surprising Densities: A Subgroup Discovery Approach

• arxiv url: http://arxiv.org/abs/2002.00793v1
• Date: Fri, 10 Jan 2020 14:25:20 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-12 22:54:29.960874
• Title: Explainable Subgraphs with Surprising Densities: A Subgroup Discovery Approach
• Title（参考訳）: 驚くべき密度を持つ説明可能な部分グラフ:サブグループ発見アプローチ
• Authors: Junning Deng, Bo Kang, Jefrey Lijffijt, Tijl De Bie
• Abstract要約: 本稿では,エッジ密度が興味深い場合や低い場合のノード部分群のペアを求める手法を提案する。 この興味深い点は、分析者がグラフについて持つ事前情報とは対照的に、主観的に定量化される。 我々の研究は、高密度な部分グラフマイニング(すなわち、1つの部分群によって誘導される部分グラフ)に関する先行研究を一般化する。
• 参考スコア（独自算出の注目度）: 17.118125020178162
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The connectivity structure of graphs is typically related to the attributes of the nodes. In social networks for example, the probability of a friendship between two people depends on their attributes, such as their age, address, and hobbies. The connectivity of a graph can thus possibly be understood in terms of patterns of the form 'the subgroup of individuals with properties X are often (or rarely) friends with individuals in another subgroup with properties Y'. Such rules present potentially actionable and generalizable insights into the graph. We present a method that finds pairs of node subgroups between which the edge density is interestingly high or low, using an information-theoretic definition of interestingness. This interestingness is quantified subjectively, to contrast with prior information an analyst may have about the graph. This view immediately enables iterative mining of such patterns. Our work generalizes prior work on dense subgraph mining (i.e. subgraphs induced by a single subgroup). Moreover, not only is the proposed method more general, we also demonstrate considerable practical advantages for the single subgroup special case.
• Abstract（参考訳）: グラフの接続構造は典型的にはノードの属性と関連している。 例えば、ソーシャルネットワークでは、2人の友人関係の確率は、年齢、住所、趣味などの属性に依存する。 したがって、グラフの接続性は「性質 X を持つ個人の部分群は、性質 Y を持つ別の部分群に属する個人としばしば(あるいは稀に)親しくなる」という形式のパターンで理解することができる。 このような規則はグラフに対する潜在的に作用可能で一般化可能な洞察を与える。 本稿では,興味のある情報理論的な定義を用いて,エッジ密度が興味深いか低い一対のノード部分群を探索する手法を提案する。 この興味深い点は、分析者がグラフについて持つ事前情報とは対照的に、主観的に定量化される。 この考え方はすぐにこのようなパターンの反復的なマイニングを可能にします。 本研究は,高密度部分グラフマイニング(すなわち,単一部分群によって誘発される部分グラフ)の先行研究を一般化する。 さらに,提案手法がより一般的であるだけでなく,単一部分群特殊ケースに対する実用的メリットも示している。

関連論文リスト

• Multi-Scale Subgraph Contrastive Learning [9.972544118719572]
  細粒度セマンティック情報を特徴付けるマルチスケールサブグラフコントラスト学習アーキテクチャを提案する。 具体的には、サブグラフサンプリングに基づいて、異なるスケールでグローバルおよびローカルなビューを生成し、それらのセマンティックアソシエーションに基づいて複数のコントラスト関係を構築する。
  論文  参考訳（メタデータ） (2024-03-05T07:17:18Z)
• GrannGAN: Graph annotation generative adversarial networks [72.66289932625742]
  本稿では,高次元分布をモデル化し,グラフスケルトンと整合した複雑な関係特徴構造を持つデータの新しい例を生成することの問題点を考察する。 提案するモデルは,タスクを2つのフェーズに分割することで,各データポイントのグラフ構造に制約されたデータ特徴を生成する問題に対処する。 第一に、与えられたグラフのノードに関連する機能の分布をモデル化し、第二に、ノードのフィーチャに条件付きでエッジ機能を補完する。
  論文  参考訳（メタデータ） (2022-12-01T11:49:07Z)
• Graph-in-Graph (GiG): Learning interpretable latent graphs in non-Euclidean domain for biological and healthcare applications [52.65389473899139]
  グラフは、医療領域において、非ユークリッドな非ユークリッドデータをユビキタスに表現し、分析するための強力なツールである。 近年の研究では、入力データサンプル間の関係を考慮すると、下流タスクに正の正の正則化効果があることが示されている。 タンパク質分類と脳イメージングのためのニューラルネットワークアーキテクチャであるGraph-in-Graph(GiG)を提案する。
  論文  参考訳（メタデータ） (2022-04-01T10:01:37Z)
• Differentially Describing Groups of Graphs [26.218670461973705]
  この課題をグラフ群解析と呼び、統計学的に有意な部分グラフを用いて、グラフ群間の類似点と相違点を記述する。 グラフ群に統計的に有意な関連を持つ非冗長な部分グラフの集合を同定するために、最大エントロピーモデルを用いるGragraを導入する。
  論文  参考訳（メタデータ） (2021-12-16T15:18:24Z)
• Residual2Vec: Debiasing graph embedding with random graphs [1.9280643035418397]
  本稿では,グラフの様々な構造バイアスをランダムグラフを用いてデバイアスするグラフ埋め込み法であるRess2vecを提案する。 この偏りがリンク予測やクラスタリング性能を改善するだけでなく、グラフ埋め込みにおける健全な構造特性を明示的にモデル化できることを実証する。
  論文  参考訳（メタデータ） (2021-10-14T18:24:11Z)
• ExplaGraphs: An Explanation Graph Generation Task for Structured Commonsense Reasoning [65.15423587105472]
  スタンス予測のための説明グラフ生成の新しい生成および構造化コモンセンスリゾニングタスク(および関連するデータセット)を紹介します。 具体的には、信念と議論が与えられた場合、モデルは、議論が信念を支持しているかどうかを予測し、予測されたスタンスに対する非自明で完全で曖昧な説明として機能する常識強化グラフを生成する必要がある。 グラフの83%は、様々な構造と推論深度を持つ外部のコモンセンスノードを含んでいる。
  論文  参考訳（メタデータ） (2021-04-15T17:51:36Z)
• Generating a Doppelganger Graph: Resembling but Distinct [5.618335078130568]
  本論文では,与えられたグラフ特性に類似したドッペルガンガーグラフを生成する手法を提案する。 このアプローチは、グラフ表現学習、生成的敵ネットワーク、およびグラフ実現アルゴリズムのオーケストレーションである。
  論文  参考訳（メタデータ） (2021-01-23T22:08:27Z)
• Heterogeneous Graph Collaborative Filtering [25.05199172369437]
  本稿では,ユーザ間インタラクションを異種グラフとしてモデル化し,ユーザ間のインタラクションを示すだけでなく,ユーザ間のインタラクションの類似性を示すエッジをモデル化する。 我々は、相互作用信号と類似信号の両方を明示的にキャプチャできるGCNベースのフレームワークであるヘテロジニアスグラフ協調フィルタリング(HGCF)を開発した。
  論文  参考訳（メタデータ） (2020-11-13T08:34:53Z)
• Factorizable Graph Convolutional Networks [90.59836684458905]
  本稿では,グラフに符号化された相互に絡み合った関係を明示的に解消する新しいグラフ畳み込みネットワーク(GCN)を提案する。 FactorGCNは単純なグラフを入力として取り、それをいくつかの分解グラフに分解する。 提案したFacterGCNは,合成および実世界のデータセットに対して質的かつ定量的に評価する。
  論文  参考訳（メタデータ） (2020-10-12T03:01:40Z)
• Spectral Embedding of Graph Networks [76.27138343125985]
  ローカルノードの類似性と接続性、グローバル構造をトレードオフする教師なしグラフ埋め込みを導入する。 埋め込みは一般化されたグラフ Laplacian に基づいており、固有ベクトルは1つの表現においてネットワーク構造と近傍近傍の両方をコンパクトにキャプチャする。
  論文  参考訳（メタデータ） (2020-09-30T04:59:10Z)
• 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。