論文の概要: cube2net: Efficient Query-Specific Network Construction with Data Cube Organization

• arxiv url: http://arxiv.org/abs/2002.00841v1
• Date: Sat, 18 Jan 2020 13:53:39 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-10 05:12:35.999776
• Title: cube2net: Efficient Query-Specific Network Construction with Data Cube Organization
• Title（参考訳）: cube2net: Data Cube Organizationによる効率的なクエリ特化ネットワーク構築
• Authors: Carl Yang, Mengxiong Liu, Frank He, Jian Peng, Jiawei Han
• Abstract要約: 現実世界では、ネットワークマイニングは特定のクエリーセットのオブジェクトに対して行われることが多い。 本稿では,既存のネットワークマイニングアルゴリズムの効率ボトルネックを解消するために,クエリ固有のネットワーク構築の問題に対処することを提案する。
• 参考スコア（独自算出の注目度）: 38.605704077644226
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Networks are widely used to model objects with interactions and have enabled various downstream applications. However, in the real world, network mining is often done on particular query sets of objects, which does not require the construction and computation of networks including all objects in the datasets. In this work, for the first time, we propose to address the problem of query-specific network construction, to break the efficiency bottlenecks of existing network mining algorithms and facilitate various downstream tasks. To deal with real-world massive networks with complex attributes, we propose to leverage the well-developed data cube technology to organize network objects w.r.t. their essential attributes. An efficient reinforcement learning algorithm is then developed to automatically explore the data cube structures and construct the optimal query-specific networks. With extensive experiments of two classic network mining tasks on different real-world large datasets, we show that our proposed cube2net pipeline is general, and much more effective and efficient in query-specific network construction, compared with other methods without the leverage of data cube or reinforcement learning.
• Abstract（参考訳）: ネットワークは相互作用のあるオブジェクトをモデル化するのに広く使われ、様々な下流アプリケーションを可能にした。 しかし、現実世界では、ネットワークマイニングは特定のクエリセットのオブジェクトに対して行われることが多く、データセット内のすべてのオブジェクトを含むネットワークの構築と計算は不要である。 本稿では,クエリ固有のネットワーク構築の問題に初めて対処し,既存のネットワークマイニングアルゴリズムの効率ボトルネックを解消し,様々な下流タスクを容易にすることを提案する。 複雑な属性を持つ実世界の大規模ネットワークを扱うために,ネットワークオブジェクトの基本的な属性を整理するために,よく開発されたデータキューブ技術を活用することを提案する。 次に、効率的な強化学習アルゴリズムを開発し、データ立方体構造を自動探索し、最適なクエリ固有ネットワークを構築する。 異なる実世界の大規模データセット上での2つの古典的ネットワークマイニングタスクの広範な実験により、提案する立方体2ネットパイプラインは、データ立方体や強化学習を使わずに、クエリ固有のネットワーク構築においてより効率的で効率的であることを示す。

関連論文リスト

• Defining Neural Network Architecture through Polytope Structures of Dataset [53.512432492636236]
  本稿では, ニューラルネットワーク幅の上下境界を定義し, 問題となるデータセットのポリトープ構造から情報を得る。 本研究では,データセットのポリトープ構造を学習したニューラルネットワークから推定できる逆条件を探索するアルゴリズムを開発した。 MNIST、Fashion-MNIST、CIFAR10といった一般的なデータセットは、顔の少ない2つ以上のポリトップを用いて効率的にカプセル化できることが確立されている。
  論文  参考訳（メタデータ） (2024-02-04T08:57:42Z)
• Higher-order accurate two-sample network inference and network hashing [13.984114642035692]
  ネットワーク比較のための2サンプル仮説テストは、多くの重要な課題を示す。 我々は,新しいメソッドとその変種を特徴とする包括的ツールボックスを開発した。 提案手法は,既存のツールの高速化と精度に優れ,電力効率が最適であることが証明された。
  論文  参考訳（メタデータ） (2022-08-16T07:31:11Z)
• Investigating Neural Architectures by Synthetic Dataset Design [14.317837518705302]
  近年、多くの新しいニューラルネットワーク構造(アーキテクチャと層)が出現している。 アドホックな合成データセットを設計することにより,各構造がネットワーク能力に与える影響を測定する手法をスケッチする。 本稿では,以下の3つのネットワーク特性のそれぞれを評価するために,3つのデータセットを構築した手法について述べる。
  論文  参考訳（メタデータ） (2022-04-23T10:50:52Z)
• Towards Bi-directional Skip Connections in Encoder-Decoder Architectures and Beyond [95.46272735589648]
  本稿では,デコードされた機能をエンコーダに戻すための後方スキップ接続を提案する。 我々の設計は、任意のエンコーダ・デコーダアーキテクチャにおいて前方スキップ接続と共同で適用することができる。 本稿では,2相ニューラルネットワーク探索(NAS)アルゴリズム,すなわちBiX-NASを提案する。
  論文  参考訳（メタデータ） (2022-03-11T01:38:52Z)
• CONetV2: Efficient Auto-Channel Size Optimization for CNNs [35.951376988552695]
  本研究は,チャネルサイズのマイクロサーチ空間を調べることにより,計算制約のある環境において効率的な手法を提案する。 チャネルサイズ最適化に際し、ネットワークの異なる接続層内の依存関係を抽出する自動アルゴリズムを設計する。 また、テスト精度と高い相関性を持ち、個々のネットワーク層を解析できる新しいメトリクスも導入する。
  論文  参考訳（メタデータ） (2021-10-13T16:17:19Z)
• Unsupervised Domain-adaptive Hash for Networks [81.49184987430333]
  ドメイン適応型ハッシュ学習はコンピュータビジョンコミュニティでかなりの成功を収めた。 UDAHと呼ばれるネットワークのための教師なしドメイン適応型ハッシュ学習手法を開発した。
  論文  参考訳（メタデータ） (2021-08-20T12:09:38Z)
• Characterization and Identification of Cloudified Mobile Network Performance Bottlenecks [0.0]
  この研究は、5Gモバイルネットワークが経験できるパフォーマンスボトルネックの範囲を実験的に調査する最初の試みである。 特に,分散分析はボトルネック識別精度と帰納的計算・通信オーバーヘッドの両方において合理的に機能することがわかった。
  論文  参考訳（メタデータ） (2020-07-22T14:46:51Z)
• Neural networks adapting to datasets: learning network size and topology [77.34726150561087]
  ニューラルネットワークは、勾配に基づくトレーニングの過程で、そのサイズとトポロジの両方を学習できるフレキシブルなセットアップを導入します。 結果として得られるネットワークは、特定の学習タスクとデータセットに合わせたグラフの構造を持つ。
  論文  参考訳（メタデータ） (2020-06-22T12:46:44Z)
• DC-NAS: Divide-and-Conquer Neural Architecture Search [108.57785531758076]
  本稿では,ディープ・ニューラル・アーキテクチャーを効果的かつ効率的に探索するためのディバイド・アンド・コンカ(DC)手法を提案する。 ImageNetデータセットで75.1%の精度を達成しており、これは同じ検索空間を使った最先端の手法よりも高い。
  論文  参考訳（メタデータ） (2020-05-29T09:02:16Z)

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。