論文の概要: Global and Local Feature Learning for Ego-Network Analysis

• arxiv url: http://arxiv.org/abs/2002.06685v1
• Date: Sun, 16 Feb 2020 21:35:04 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-31 17:59:25.302186
• Title: Global and Local Feature Learning for Ego-Network Analysis
• Title（参考訳）: egoネットワーク分析のためのグローバルおよびローカル特徴学習
• Authors: Fatemeh Salehi Rizi, Michael Granitzer, Konstantin Ziegler
• Abstract要約: ego-networkでは、個人(ego)が異なるグループ(社会円)で友人(alter)を組織する。 深層学習による言語モデリングの最近の進歩は,ネットワーク表現を学習するための新しい手法にインスピレーションを与えている。 社会円予測の課題は,我々の技術が生み出すグローバルな特徴とローカルな特徴の組み合わせによってもたらされることを示す。
• 参考スコア（独自算出の注目度）: 0.7661062091984316
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: In an ego-network, an individual (ego) organizes its friends (alters) in different groups (social circles). This social network can be efficiently analyzed after learning representations of the ego and its alters in a low-dimensional, real vector space. These representations are then easily exploited via statistical models for tasks such as social circle detection and prediction. Recent advances in language modeling via deep learning have inspired new methods for learning network representations. These methods can capture the global structure of networks. In this paper, we evolve these techniques to also encode the local structure of neighborhoods. Therefore, our local representations capture network features that are hidden in the global representation of large networks. We show that the task of social circle prediction benefits from a combination of global and local features generated by our technique.
• Abstract（参考訳）: egoネットワークでは、個人(ego)が異なるグループ(ソーシャルサークル)で友人(交代)を組織する。 このソーシャルネットワークは、egoとその変化の表現を低次元実ベクトル空間で学習した後、効率的に解析することができる。 これらの表現は、ソーシャルサークルの検出や予測といったタスクの統計モデルを通じて容易に活用される。 ディープラーニングによる言語モデリングの最近の進歩は,ネットワーク表現を学習する新しい方法に影響を与えた。 これらの手法はネットワークのグローバル構造を捉えることができる。 本稿では,これらの手法を進化させ,地域構造を符号化する。 そこで,我々のローカル表現は,大規模ネットワークのグローバル表現に隠されたネットワーク特徴をキャプチャする。 ソーシャルサークル予測のタスクは,我々の手法によって生成されたグローバル特徴とローカル特徴の組み合わせによって得られる。

関連論文リスト

• Unsupervised Learning via Network-Aware Embeddings [0.0]
  ノード属性間のネットワーク距離を推定することにより,ネットワーク対応の埋め込みを作成する方法を示す。 提案手法は完全オープンソースであり, 論文中のすべての結果を再現するためのデータとコードは利用可能である。
  論文  参考訳（メタデータ） (2023-09-19T08:17:48Z)
• Improving neural network representations using human similarity judgments [33.62351833204206]
  本研究では,地球構造を人間の類似性判定と線形に整列させることによって,世界構造を監督する影響について検討する。 局所構造を保ちながら表現のグローバルな構造を整列する新しい手法を提案する。 この結果から, 人間の視覚表現は, ごく少数の例から学習しやすく, グローバルに組織化されていることが示唆された。
  論文  参考訳（メタデータ） (2023-06-07T15:17:54Z)
• A General Framework for Interpretable Neural Learning based on Local Information-Theoretic Goal Functions [1.5236380958983644]
  我々は、教師なし、教師なし、メモリ学習のタスクを実行するために、'不定型'ニューラルネットワークを導入する。 PIDフレームワークの解釈可能な性質を活用することで、インフォモーフィックネットワークは、局所学習の複雑な構造を理解するための貴重なツールとなる。
  論文  参考訳（メタデータ） (2023-06-03T16:34:25Z)
• Distillation with Contrast is All You Need for Self-Supervised Point Cloud Representation Learning [53.90317574898643]
  本稿では,自己教師付きポイントクラウド表現学習のためのシンプルで汎用的なフレームワークを提案する。 人類が世界を理解する方法に触発されて、我々は知識蒸留を利用して、グローバルな形状情報と、グローバルな形状と局所的な構造の関係の両方を学ぶ。 本手法は,線形分類および複数の下流タスクにおける最先端性能を実現する。
  論文  参考訳（メタデータ） (2022-02-09T02:51:59Z)
• An Entropy-guided Reinforced Partial Convolutional Network for Zero-Shot Learning [77.72330187258498]
  エントロピー誘導強化部分畳み込みネットワーク(ERPCNet)を提案する。 ERPCNetは、人間のアノテーションのない意味的関連性と視覚的相関に基づいて、局所性を抽出し、集約する。 グローバルな協力的局所性を動的に発見するだけでなく、ポリシー勾配最適化のためにより高速に収束する。
  論文  参考訳（メタデータ） (2021-11-03T11:13:13Z)
• Network representation learning systematic review: ancestors and current development state [1.0312968200748116]
  本稿では,ネットワーク埋め込みとして知られるネットワーク表現学習を誕生から現在までの体系的に調査する。 また,ネットワーク表現学習の理解に必要な基本概念の形式的定義も提供する。 最も一般的に使用される下流タスクは、埋め込みの評価、評価メトリクス、一般的なデータセットである。
  論文  参考訳（メタデータ） (2021-09-14T14:44:44Z)
• 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)
• Exploiting Shared Representations for Personalized Federated Learning [54.65133770989836]
  本稿では,クライアント間の共有データ表現と,クライアント毎のユニークなローカルヘッダを学習するための,新しいフェデレーション学習フレームワークとアルゴリズムを提案する。 提案アルゴリズムは, クライアント間の分散計算能力を利用して, 表現の更新毎に低次元の局所パラメータに対して, 多数の局所更新を行う。 この結果は、データ分布間の共有低次元表現を学習することを目的とした、幅広い種類の問題に対するフェデレーション学習以上の関心を持っている。
  論文  参考訳（メタデータ） (2021-02-14T05:36:25Z)
• Understanding the Role of Individual Units in a Deep Neural Network [85.23117441162772]
  本稿では,画像分類と画像生成ネットワーク内の隠れ単位を系統的に同定する分析フレームワークを提案する。 まず、シーン分類に基づいて訓練された畳み込みニューラルネットワーク(CNN)を分析し、多様なオブジェクト概念にマッチするユニットを発見する。 第2に、シーンを生成するために訓練されたGANモデルについて、同様の分析手法を用いて分析する。
  論文  参考訳（メタデータ） (2020-09-10T17:59:10Z)
• 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)

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。