論文の概要: Adversarial Deep Network Embedding for Cross-network Node Classification
- arxiv url: http://arxiv.org/abs/2002.07366v1
- Date: Tue, 18 Feb 2020 04:30:43 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-30 20:46:31.174042
- Title: Adversarial Deep Network Embedding for Cross-network Node Classification
- Title（参考訳）: クロスネットワークノード分類のためのadversarial deep network embedded
- Authors: Xiao Shen, Quanyu Dai, Fu-lai Chung, Wei Lu, Kup-Sze Choi
- Abstract要約: クロスネットワークノード分類は、ソースネットワークからの豊富なラベル付きノードを活用し、ターゲットネットワーク内のラベルなしノードの分類を支援する。
本稿では, 対向ドメイン適応とディープネットワーク埋め込みを統合するための, 対向クロスネットワークディープネットワーク埋め込みモデルを提案する。
提案したACDNEモデルは,ネットワーク間ノード分類における最先端性能を実現する。
- 参考スコア（独自算出の注目度）: 27.777464531860325
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this paper, the task of cross-network node classification, which leverages
the abundant labeled nodes from a source network to help classify unlabeled
nodes in a target network, is studied. The existing domain adaptation
algorithms generally fail to model the network structural information, and the
current network embedding models mainly focus on single-network applications.
Thus, both of them cannot be directly applied to solve the cross-network node
classification problem. This motivates us to propose an adversarial
cross-network deep network embedding (ACDNE) model to integrate adversarial
domain adaptation with deep network embedding so as to learn network-invariant
node representations that can also well preserve the network structural
information. In ACDNE, the deep network embedding module utilizes two feature
extractors to jointly preserve attributed affinity and topological proximities
between nodes. In addition, a node classifier is incorporated to make node
representations label-discriminative. Moreover, an adversarial domain
adaptation technique is employed to make node representations
network-invariant. Extensive experimental results demonstrate that the proposed
ACDNE model achieves the state-of-the-art performance in cross-network node
classification.
- Abstract（参考訳）: 本稿では,対象ネットワーク内のラベル付きノードを分類するために,ソースネットワークからの豊富なラベル付きノードを活用するクロスネットワークノード分類の課題について検討する。
既存のドメイン適応アルゴリズムは一般にネットワーク構造情報をモデル化できず、現在のネットワーク埋め込みモデルは、主にシングルネットワークアプリケーションに焦点を当てている。
したがって、両者はネットワーク間のノード分類問題を解決するために直接適用できない。
これにより,ネットワーク構造情報を適切に保存可能なネットワーク不変ノード表現を学習するために,敵対的ドメイン適応とディープネットワーク埋め込みを統合する,ACDNE(Adversarial Cross-network Deep Network Embedding)モデルを提案する。
ACDNEでは、ディープネットワーク埋め込みモジュールは2つの特徴抽出器を使用して、属性付き親和性とノード間のトポロジカルな近さを共同で保存する。
さらに、ノード分類器が組み込まれ、ノード表現をラベル識別する。
さらに、ノード表現をネットワーク不変にするために、逆領域適応手法が用いられる。
クロスネットワークノード分類において,提案した ACDNE モデルにより最先端の性能が得られることを示す。
関連論文リスト
- Domain-adaptive Message Passing Graph Neural Network [67.35534058138387]
クロスネットワークノード分類(CNNC)は、豊富なラベルを持つソースネットワークから知識を転送することで、ラベル不足のターゲットネットワーク内のノードを分類することを目的としている。
本稿では,グラフニューラルネットワーク(GNN)と条件付き対向ドメイン適応を統合したドメイン適応型メッセージパッシンググラフニューラルネットワーク(DM-GNN)を提案する。
論文 参考訳（メタデータ） (2023-08-31T05:26:08Z) - Collaborative Graph Neural Networks for Attributed Network Embedding [63.39495932900291]
グラフニューラルネットワーク(GNN)は、属性付きネットワーク埋め込みにおいて顕著な性能を示している。
本稿では,ネットワーク埋め込みに適したGNNアーキテクチャであるCulaborative graph Neural Networks-CONNを提案する。
論文 参考訳（メタデータ） (2023-07-22T04:52:27Z) - One Node at a Time: Node-Level Network Classification [0.0]
ネットワークの分類と構成ノードの関連性について検討する。
与えられたノードのネットワークカテゴリを正確に予測するために、分類器を訓練できることが示される。
ノードレベルのネットワーク分類の2つの応用について論じる: (i) ノードの小さなサンプルからネットワーク全体の分類、 (ii) ネットワークブートストラップ。
論文 参考訳（メタデータ） (2022-08-03T15:48:39Z) - Learning Asymmetric Embedding for Attributed Networks via Convolutional
Neural Network [19.611523749659355]
AAGCNと呼ばれる畳み込みグラフニューラルネットワークに基づく新しい非対称属性ネットワーク埋め込みモデルを提案する。
主な考え方は、有向属性ネットワークの非対称な近接性と非対称な類似性を極大に保存することである。
ネットワーク再構成,リンク予測,ノード分類,可視化タスクのための実世界の3つのネットワーク上でのAAGCNの性能を検証した。
論文 参考訳（メタデータ） (2022-02-13T13:35:15Z) - A Variational Edge Partition Model for Supervised Graph Representation
Learning [51.30365677476971]
本稿では,重なり合うノード群間の相互作用を集約することで,観測されたエッジがどのように生成されるかをモデル化するグラフ生成プロセスを提案する。
それぞれのエッジを複数のコミュニティ固有の重み付きエッジの和に分割し、コミュニティ固有のGNNを定義する。
エッジを異なるコミュニティに分割するGNNベースの推論ネットワーク,これらのコミュニティ固有のGNN,およびコミュニティ固有のGNNを最終分類タスクに組み合わせたGNNベースの予測器を共同で学習するために,変分推論フレームワークを提案する。
論文 参考訳（メタデータ） (2022-02-07T14:37:50Z) - DeHIN: A Decentralized Framework for Embedding Large-scale Heterogeneous
Information Networks [64.62314068155997]
本稿では,異種情報ネットワーク(DeHIN)のための分散埋め込みフレームワークについて述べる。
DeHINは、大きなHINをハイパーグラフとして革新的に定式化するコンテキスト保存分割機構を提供する。
当社のフレームワークでは,木のようなパイプラインを採用することで,効率よくHINを分割する分散戦略を採用しています。
論文 参考訳（メタデータ） (2022-01-08T04:08:36Z) - Decoupled Variational Embedding for Signed Directed Networks [39.3449157396596]
我々は,符号付き有向ネットワークにおける一階・高階トポロジを同時にキャプチャすることで,より代表的なノード埋め込みを学習することを提案する。
特に、可変自動符号化の観点から、符号付き有向ネットワーク上での表現学習問題を再構成する。
広範に使われている3つの実世界のデータセットに対して大規模な実験を行う。
論文 参考訳（メタデータ） (2020-08-28T02:48:15Z) - DINE: A Framework for Deep Incomplete Network Embedding [33.97952453310253]
本稿では,ディープ不完全ネットワーク埋め込み,すなわちDINEを提案する。
まず、期待最大化フレームワークを用いて、部分的に観測可能なネットワーク内のノードとエッジの両方を含む欠落部分を完成させる。
マルチラベル分類およびリンク予測タスクにおいて,DINEを3つのネットワーク上で評価する。
論文 参考訳（メタデータ） (2020-08-09T04:59:35Z) - Graph Prototypical Networks for Few-shot Learning on Attributed Networks [72.31180045017835]
グラフメタ学習フレームワーク - Graph Prototypeal Networks (GPN) を提案する。
GPNは、属性付きネットワーク上でテキストミータ学習を行い、ターゲット分類タスクを扱うための高度に一般化可能なモデルを導出する。
論文 参考訳（メタデータ） (2020-06-23T04:13:23Z) - Progressive Graph Convolutional Networks for Semi-Supervised Node
Classification [97.14064057840089]
グラフ畳み込みネットワークは、半教師付きノード分類のようなグラフベースのタスクに対処することに成功した。
本稿では,コンパクトかつタスク固有のグラフ畳み込みネットワークを自動構築する手法を提案する。
論文 参考訳（メタデータ） (2020-03-27T08:32:16Z)
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。