論文の概要: Benchmarking Network Embedding Models for Link Prediction: Are We Making Progress?

• arxiv url: http://arxiv.org/abs/2002.11522v5
• Date: Thu, 3 Sep 2020 12:48:59 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-28 21:00:51.886458
• Title: Benchmarking Network Embedding Models for Link Prediction: Are We Making Progress?
• Title（参考訳）: リンク予測のためのネットワーク埋め込みモデルのベンチマーク:進展中か?
• Authors: Alexandru Mara, Jefrey Lijffijt and Tijl De Bie
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 84.43405961569256
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Network embedding methods map a network's nodes to vectors in an embedding space, in such a way that these representations are useful for estimating some notion of similarity or proximity between pairs of nodes in the network. The quality of these node representations is then showcased through results of downstream prediction tasks. Commonly used benchmark tasks such as link prediction, however, present complex evaluation pipelines and an abundance of design choices. This, together with a lack of standardized evaluation setups can obscure the real progress in the field. In this paper, we aim to shed light on the state-of-the-art of network embedding methods for link prediction and show, using a consistent evaluation pipeline, that only thin progress has been made over the last years. The newly conducted benchmark that we present here, including 17 embedding methods, also shows that many approaches are outperformed even by simple heuristics. Finally, we argue that standardized evaluation tools can repair this situation and boost future progress in this field.
• Abstract（参考訳）: ネットワーク埋め込み手法はネットワークのノードを埋め込み空間内のベクトルにマッピングし、ネットワーク内のノード対間の類似性や近接性の概念を推定するのに有用である。 これらのノード表現の品質は、下流予測タスクの結果によって示される。 しかし、リンク予測のようなベンチマークタスクでは、複雑な評価パイプラインと設計選択が豊富に存在する。 これにより、標準化された評価設定の欠如とともに、現場の本当の進歩を曖昧にすることができる。 本稿では,リンク予測のためのネットワーク埋め込み手法の現状に光を当てることを目的としており,一貫した評価パイプラインを用いて,過去数年間でわずかに進展したことを示す。 新たに実施した17の埋め込み手法を含むベンチマークでは、単純なヒューリスティックスでも多くのアプローチが優れていることが示されている。 最後に、標準化された評価ツールは、この状況を修復し、この分野の将来の発展を促進することができると論じる。

関連論文リスト

• On Discprecncies between Perturbation Evaluations of Graph Neural Network Attributions [49.8110352174327]
  我々は、グラフ領域で以前に検討されていない視点から帰属法を評価する:再学習。 中心となる考え方は、属性によって識別される重要な(あるいは重要でない)関係でネットワークを再訓練することである。 我々は4つの最先端GNN属性法と5つの合成および実世界のグラフ分類データセットについて分析を行った。
  論文  参考訳（メタデータ） (2024-01-01T02:03:35Z)
• New Perspectives on the Evaluation of Link Prediction Algorithms for Dynamic Graphs [12.987894327817159]
  本稿では,予測性能と時間ネットワークのダイナミックスに関する洞察を得られる新しい可視化手法を提案する。 我々は、最近のベンチマークから抽出されたデータセットに対して、エラーが通常、異なるデータセグメントに均等に分散されていないことを実証的に検証する。
  論文  参考訳（メタデータ） (2023-11-30T11:57:07Z)
• Evaluating Graph Neural Networks for Link Prediction: Current Pitfalls and New Benchmarking [66.83273589348758]
  リンク予測は、グラフのエッジの一部のみに基づいて、目に見えないエッジが存在するかどうかを予測しようとする。 近年,この課題にグラフニューラルネットワーク(GNN)を活用すべく,一連の手法が導入されている。 これらの新しいモデルの有効性をよりよく評価するために、新しい多様なデータセットも作成されている。
  論文  参考訳（メタデータ） (2023-06-18T01:58:59Z)
• Towards Motion Forecasting with Real-World Perception Inputs: Are End-to-End Approaches Competitive? [93.10694819127608]
  実世界の知覚入力を用いた予測手法の統一評価パイプラインを提案する。 我々の詳細な調査では、キュレートされたデータから知覚ベースのデータへ移行する際の大きなパフォーマンスギャップが明らかになりました。
  論文  参考訳（メタデータ） (2023-06-15T17:03:14Z)
• Refined Edge Usage of Graph Neural Networks for Edge Prediction [51.06557652109059]
  We propose a novel edge prediction paradigm named Edge-aware Message PassIng neuRal nEtworks (EMPIRE)。 まず,各エッジをトポロジや監督のためにのみ使用するエッジ分割手法を提案する。 監視エッジで接続されたペアと接続されていないペアの差を強調するために、さらにメッセージを重み付けして、その差を反映できる相対的なペアを強調します。
  論文  参考訳（メタデータ） (2022-12-25T23:19:56Z)
• Line Graph Contrastive Learning for Link Prediction [4.876567687745239]
  多視点情報を得るために,Line Graph Contrastive Learning (LGCL)法を提案する。 6つの公開データセットの実験により、LGCLはリンク予測タスクの現在のベンチマークを上回っている。
  論文  参考訳（メタデータ） (2022-10-25T06:57:00Z)
• Temporal Graph Network Embedding with Causal Anonymous Walks Representations [54.05212871508062]
  本稿では,時間グラフネットワークに基づく動的ネットワーク表現学習のための新しいアプローチを提案する。 評価のために、時間的ネットワーク埋め込みの評価のためのベンチマークパイプラインを提供する。 欧州の大手銀行が提供した実世界のダウンストリームグラフ機械学習タスクにおいて、我々のモデルの適用性と優れた性能を示す。
  論文  参考訳（メタデータ） (2021-08-19T15:39:52Z)
• A Self-Attention Network based Node Embedding Model [17.10479440152652]
  新規な教師なし埋め込みモデルであるSANNEを提案する。 我々のSANNEは、現在のノードだけでなく、新しく見つからないノードにも、プラルーシブルな埋め込みを生成することを目的としています。 実験の結果,提案したSANNEはノード分類タスクの最先端結果が得られることがわかった。
  論文  参考訳（メタデータ） (2020-06-22T09:46:10Z)
• ALPINE: Active Link Prediction using Network Embedding [20.976178936255927]
  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。
  論文  参考訳（メタデータ） (2020-02-04T11:09:03Z)

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。