論文の概要: ALPINE: Active Link Prediction using Network Embedding

• arxiv url: http://arxiv.org/abs/2002.01227v1
• Date: Tue, 4 Feb 2020 11:09:03 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-04 02:52:12.021375
• Title: ALPINE: Active Link Prediction using Network Embedding
• Title（参考訳）: ALPINE:ネットワーク埋め込みを用いたアクティブリンク予測
• Authors: Xi Chen, Bo Kang, Jefrey Lijffijt and Tijl De Bie
• Abstract要約: ネットワーク埋め込みに基づくリンク予測のための ALPINE (Active Link Prediction usIng Network Embedding) を提案する。 ALPINEは拡張性があり、より少ないクエリでリンク予測精度を向上させる。
• 参考スコア（独自算出の注目度）: 20.976178936255927
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Many real-world problems can be formalized as predicting links in a partially observed network. Examples include Facebook friendship suggestions, consumer-product recommendations, and the identification of hidden interactions between actors in a crime network. Several link prediction algorithms, notably those recently introduced using network embedding, are capable of doing this by just relying on the observed part of the network. Often, the link status of a node pair can be queried, which can be used as additional information by the link prediction algorithm. Unfortunately, such queries can be expensive or time-consuming, mandating the careful consideration of which node pairs to query. In this paper we estimate the improvement in link prediction accuracy after querying any particular node pair, to use in an active learning setup. Specifically, we propose ALPINE (Active Link Prediction usIng Network Embedding), the first method to achieve this for link prediction based on network embedding. To this end, we generalized the notion of V-optimality from experimental design to this setting, as well as more basic active learning heuristics originally developed in standard classification settings. Empirical results on real data show that ALPINE is scalable, and boosts link prediction accuracy with far fewer queries.
• Abstract（参考訳）: 多くの実世界の問題は、部分的に観測されたネットワーク内のリンクを予測するものとして定式化することができる。 例えば、Facebookの友情提案、消費者製品推奨、犯罪ネットワーク内のアクター間の隠れた相互作用の識別などがある。 いくつかのリンク予測アルゴリズム、特に最近導入されたネットワーク埋め込みは、ネットワークの観測部分に依存するだけでこれを行うことができる。 多くの場合、ノード対のリンク状態はクエリされ、リンク予測アルゴリズムによって追加情報として使用できる。 残念なことに、このようなクエリはコストも時間もかかるため、どのノード対でクエリするかを慎重に検討する必要がある。 本稿では,特定のノード対を問合せした後のリンク予測精度の向上を,アクティブな学習環境で使用するために推定する。 具体的には,ネットワーク埋め込みに基づくリンク予測のための最初の手法である ALPINE (Active Link Prediction usIng Network Embedding) を提案する。 この目的のために,v-optimalityの概念を実験設計からこの設定に一般化するとともに,標準分類設定で開発されたより基本的なアクティブラーニングヒューリスティックスを一般化した。 実データによる実証結果から、ALPINEはスケーラブルであり、リンク予測精度をはるかに少ないクエリで向上させる。

関連論文リスト

• Can GNNs Learn Link Heuristics? A Concise Review and Evaluation of Link Prediction Methods [16.428742189544955]
  本稿では,リンク予測のための各種情報学習におけるグラフニューラルネットワーク(GNN)の機能について検討する。 解析の結果,GNNは2つのノード間の共通隣接点数に関する構造情報を効果的に学習できないことがわかった。 また、トレーニング可能なノード埋め込みにより、GNNベースのリンク予測モデルの性能が向上することを示す。
  論文  参考訳（メタデータ） (2024-11-22T03:38:20Z)
• PageRank Bandits for Link Prediction [72.61386754332776]
  リンク予測は、リコメンダシステムやナレッジグラフ補完といった幅広いアプリケーションを用いたグラフ学習において重要な問題である。 本稿では,リンク予測を逐次的意思決定プロセスとして再構成し,各リンク予測インタラクションを逐次的に行う。 本稿では,PageRankとコンテキスト的帯域を結合した新しい融合アルゴリズム PRB (PageRank Bandits) を提案する。
  論文  参考訳（メタデータ） (2024-11-03T02:39:28Z)
• Parallel Reasoning Network for Human-Object Interaction Detection [53.422076419484945]
  並列推論ネットワーク(PR-Net)というトランスフォーマーに基づく新しい手法を提案する。 PR-Netは、インスタンスレベルのローカライゼーションと関係レベルの理解のための2つの独立した予測器を構築する。 我々のPR-NetはHICO-DETとV-COCOベンチマークで競合する結果を得た。
  論文  参考訳（メタデータ） (2023-01-09T17:00:34Z)
• Link Prediction with Contextualized Self-Supervision [63.25455976593081]
  リンク予測は、ネットワーク内の2つのノード間のリンクの存在を推測することを目的としている。 従来のリンク予測アルゴリズムは、リンク空間、ノード属性ノイズ、ネットワークダイナミクスという3つの大きな課題によって妨げられている。 本稿では,リンク予測のための構造的コンテキスト予測を完全に活用する,コンテキスト適応型自己監視学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-01-25T03:12:32Z)
• Adversarial Robustness of Probabilistic Network Embedding for Link Prediction [24.335469995826244]
  リンク予測のための条件付きネットワーク埋め込み(CNE)の対角的ロバスト性について検討する。 ネットワークの小さな対向摂動に対するモデルのリンク予測の感度を測定した。 我々のアプローチでは、そのような摂動に最も弱いネットワーク内のリンクとリンクを識別できる。
  論文  参考訳（メタデータ） (2021-07-05T11:07:35Z)
• Edge Proposal Sets for Link Prediction [39.33358136412426]
  Link Predictionは、将来のエッジを予測したり、グラフに欠けているエッジを推測することを目的としており、推奨システム、実験設計、複雑なシステムに様々な応用がある。 本稿では,前処理ステップとしてエッジセットをグラフに追加するだけで,リンク予測アルゴリズムの性能が向上することを示す。
  論文  参考訳（メタデータ） (2021-06-30T04:59:19Z)
• GCN-ALP: Addressing Matching Collisions in Anchor Link Prediction [40.811988657941946]
  問題のtextitanchorリンク予測は、ソーシャルネットワーク全体のユーザープロファイル、コンテンツ、ネットワーク構造上の共通の根拠とユーザーデータをリンクするために形式化されます。 マッチンググラフ上でのアンカーリンク予測を効率的に解く、ミニバッチ戦略によるグラフ畳み込みネットワークを提案する。
  論文  参考訳（メタデータ） (2021-03-19T02:41:55Z)
• Interpretable Signed Link Prediction with Signed Infomax Hyperbolic Graph [54.03786611989613]
  ソーシャルネットワークにおけるサイン付きリンク予測は、ユーザ(すなわちノード)間の基盤となる関係(リンク)を明らかにすることを目的としている 我々は Signed Infomax Hyperbolic Graph (textbfSIHG) と呼ばれる統一されたフレームワークを開発する。 高次ユーザ関係と複雑な階層をモデル化するために、ノードの埋め込みを投影し、より低歪みの双曲空間で測定する。
  論文  参考訳（メタデータ） (2020-11-25T05:09:03Z)
• Learning to Extrapolate Knowledge: Transductive Few-shot Out-of-Graph Link Prediction [69.1473775184952]
  数発のアウトオブグラフリンク予測という現実的な問題を導入する。 我々は,新しいメタ学習フレームワークによってこの問題に対処する。 我々は,知識グラフの補完と薬物と薬物の相互作用予測のために,複数のベンチマークデータセット上でモデルを検証した。
  論文  参考訳（メタデータ） (2020-06-11T17:42:46Z)
• Benchmarking Network Embedding Models for Link Prediction: Are We Making Progress? [84.43405961569256]
  我々はリンク予測のためのネットワーク埋め込み手法の最先端について光を当てた。 私たちは、一貫した評価パイプラインを使用して、過去数年間でわずかに進歩しただけであることを示しています。 我々は、標準化された評価ツールがこの状況を修復し、この分野の将来的な進歩を促進することができると論じている。
  論文  参考訳（メタデータ） (2020-02-25T16:59:09Z)

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。