論文の概要: Ego-based Entropy Measures for Structural Representations
- arxiv url: http://arxiv.org/abs/2003.00553v1
- Date: Sun, 1 Mar 2020 18:58:00 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-27 12:54:55.205705
- Title: Ego-based Entropy Measures for Structural Representations
- Title(参考訳): egoに基づく構造表現のエントロピー測度
- Authors: George Dasoulas, Giannis Nikolentzos, Kevin Scaman, Aladin Virmaux,
Michalis Vazirgiannis
- Abstract要約: VNEstructは、低次元構造ノードの埋め込みを生成するための単純なアプローチである。
提案手法は各ノードの局所近傍に焦点をあて、フォン・ノイマンエントロピー(Von Neumann entropy)を用いる。
グラフ分類タスクでは、属性付きグラフ構造を拡張ノード属性の集合に変換するために生成された構造埋め込みの利用を提案する。
- 参考スコア(独自算出の注目度): 42.37368082564481
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In complex networks, nodes that share similar structural characteristics
often exhibit similar roles (e.g type of users in a social network or the
hierarchical position of employees in a company). In order to leverage this
relationship, a growing literature proposed latent representations that
identify structurally equivalent nodes. However, most of the existing methods
require high time and space complexity. In this paper, we propose VNEstruct, a
simple approach for generating low-dimensional structural node embeddings, that
is both time efficient and robust to perturbations of the graph structure. The
proposed approach focuses on the local neighborhood of each node and employs
the Von Neumann entropy, an information-theoretic tool, to extract features
that capture the neighborhood's topology. Moreover, on graph classification
tasks, we suggest the utilization of the generated structural embeddings for
the transformation of an attributed graph structure into a set of augmented
node attributes. Empirically, we observe that the proposed approach exhibits
robustness on structural role identification tasks and state-of-the-art
performance on graph classification tasks, while maintaining very high
computational speed.
- Abstract(参考訳): 複雑なネットワークでは、同様の構造的特徴を持つノードがよく似た役割を持つ(例えば、ソーシャルネットワークのユーザの種類や、企業の従業員の階層的な位置)。
この関係を利用するために、増大する文献は構造的に等価なノードを識別する潜在表現を提案した。
しかし、既存の手法のほとんどは時間と空間の複雑さを必要とする。
本稿では,低次元構造ノード埋め込みを生成するための簡単な手法であるVNEstructを提案する。
提案手法は各ノードの局所的近傍に焦点をあて,情報理論ツールであるフォン・ノイマンエントロピー(Von Neumann entropy)を用いて近傍の位相を捉える特徴を抽出する。
さらに、グラフ分類タスクにおいて、属性グラフ構造を拡張ノード属性の集合に変換するために生成された構造埋め込みの利用を提案する。
実験により,提案手法は,高い計算速度を維持しつつ,構造的役割識別タスクとグラフ分類タスクの最先端性能に堅牢性を示す。
関連論文リスト
- Learning to Model Graph Structural Information on MLPs via Graph Structure Self-Contrasting [50.181824673039436]
本稿では,グラフ構造情報をメッセージパッシングなしで学習するグラフ構造自己コントラスト(GSSC)フレームワークを提案する。
提案するフレームワークは,構造情報を事前知識として暗黙的にのみ組み込む,MLP(Multi-Layer Perceptrons)に基づいている。
これはまず、近傍の潜在的非形式的あるいはノイズの多いエッジを取り除くために構造的スペーシングを適用し、その後、スペーシングされた近傍で構造的自己コントラストを行い、ロバストなノード表現を学ぶ。
論文 参考訳(メタデータ) (2024-09-09T12:56:02Z) - Graph Embedding with Hierarchical Attentive Membership [35.998704625736394]
ノードの潜在階層的なグループ化は、各ノードが特定のグループへのメンバシップを示す大局的な視点に存在する。
ほとんどの先行研究は、近傍構造をモデル化する際、そのような潜伏群と異なる群へのノードのメンバシップを無視する。
グラフ埋め込みのための新しい階層型注意型メンバシップモデルを提案し,各ノードの潜在メンバシップをその隣接状況に基づいて動的に発見する。
論文 参考訳(メタデータ) (2021-10-31T22:00:48Z) - Local, global and scale-dependent node roles [3.1473798197405944]
本稿では、構造的同値性や自己同値性といったノード同値性の概念を再検討する。
我々は,すでに深度3,4の役割が,ノード分類タスクを高精度に行うのに十分な情報を持っていることを示す。
論文 参考訳(メタデータ) (2021-05-26T14:54:26Z) - Ego-based Entropy Measures for Structural Representations on Graphs [35.55543331773255]
VNEstruct は、近辺の位相のエントロピー測度に基づいて、低次元構造表現を生成する単純なアプローチである。
VNEstructは、グラフ構造情報を最適化に組み込むことなく、グラフ分類における最先端のパフォーマンスを達成できます。
論文 参考訳(メタデータ) (2021-02-17T12:55:50Z) - Hierarchical Graph Capsule Network [78.4325268572233]
ノード埋め込みを共同で学習し,グラフ階層を抽出できる階層型グラフカプセルネットワーク(HGCN)を提案する。
階層的表現を学ぶために、HGCNは下層カプセル(部分)と高層カプセル(全体)の間の部分的関係を特徴付ける。
論文 参考訳(メタデータ) (2020-12-16T04:13:26Z) - Node Similarity Preserving Graph Convolutional Networks [51.520749924844054]
グラフニューラルネットワーク(GNN)は、ノード近傍の情報を集約し変換することで、グラフ構造とノードの特徴を探索する。
グラフ構造を利用してノード類似性を効果的かつ効率的に保存できるSimP-GCNを提案する。
本研究は,SimP-GCNが3つの分類グラフと4つの非補助グラフを含む7つのベンチマークデータセットに対して有効であることを示す。
論文 参考訳(メタデータ) (2020-11-19T04:18:01Z) - GAGE: Geometry Preserving Attributed Graph Embeddings [34.25102483600248]
本稿では,属性ネットワークにノードを埋め込む手法を提案する。
接続と属性の両方の距離を保存する。
学習課題に取り組むために,効率的かつ軽量なアルゴリズムを開発した。
論文 参考訳(メタデータ) (2020-11-03T02:07:02Z) - Graph Structural-topic Neural Network [35.27112594356742]
Graph Convolutional Networks(GCNs)は、ノードのローカル機能を効果的に収集することで、大きな成功を収めた。
本稿では,グラフのトピックモデルを利用したGCNモデルであるGraphSTONEを提案する。
ノードの特徴と構造的トピックの特徴を統一する多視点GCNを設計し、構造的トピックを利用して集約を誘導する。
論文 参考訳(メタデータ) (2020-06-25T09:47:21Z) - Graph Neural Networks with Composite Kernels [60.81504431653264]
カーネル重み付けの観点からノード集約を再解釈する。
本稿では,アグリゲーション方式における特徴類似性を考慮したフレームワークを提案する。
特徴空間における特徴類似性をエンコードするために,元の隣り合うカーネルと学習可能なカーネルの合成として特徴集約を提案する。
論文 参考訳(メタデータ) (2020-05-16T04:44:29Z) - 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。