Fugu-MT 論文翻訳(概要): Novel Edge and Density Metrics for Link Cohesion

論文の概要: Novel Edge and Density Metrics for Link Cohesion

arxiv url: http://arxiv.org/abs/2003.02999v1
Date: Fri, 6 Mar 2020 02:09:49 GMT
ステータス: 処理完了
システム内更新日: 2022-12-26 01:47:03.381340
Title: Novel Edge and Density Metrics for Link Cohesion
Title（参考訳）: リンク結合のための新しいエッジと密度メトリクス
Authors: Cetin Savkli, Catherine Schwartz, Amanda Galante, and Jonathan Cohen
Abstract要約: 複雑で高連結なグラフにおけるエッジの強度を測定するための新しい指標を提案する。リンク結合は、局所的な小さなホップ接続と関連するノード次数について説明される。また,ノード間の平均凝集度を推定する新しいグラフ密度尺度を提案する。
参考スコア（独自算出の注目度）: 0.43496401697112697
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We present a new metric of link cohesion for measuring the strength of edges in complex, highly connected graphs. Link cohesion accounts for local small hop connections and associated node degrees and can be used to support edge scoring and graph simplification. We also present a novel graph density measure to estimate the average cohesion across nodes. Link cohesion and the density measure are employed to demonstrate community detection through graph sparsification by maximizing graph density. Link cohesion is also shown to be loosely correlated with edge betweenness centrality.
Abstract（参考訳）: 複雑で高連結なグラフにおけるエッジの強度を測定するためのリンク凝集の新しい指標を提案する。リンク結合は、局所的な小さなホップ接続と関連するノード次数を占め、エッジスコアリングとグラフの単純化をサポートするために使用できる。また,ノード間の平均凝集度を推定する新しいグラフ密度尺度を提案する。グラフ密度の最大化によるグラフスペーシフィケーションによるコミュニティ検出を,リンク凝集と密度測定を用いて実証する。リンク凝集は、エッジ間の中心性と緩やかに相関している。

関連論文リスト

Disentangled Condensation for Large-scale Graphs [31.781721873508978]
グラフニューラルネットワーク(GNN)の高価なトレーニングコストを節約するための興味深いテクニックとして、グラフ凝縮が登場した。本稿では, 凝縮過程を2段階のGNNフリーパラダイムに分解し, ノードを独立に凝縮し, エッジを生成することを提案する。この単純で効果的なアプローチは、中規模グラフの精度に匹敵する精度で最先端の手法よりも少なくとも10倍早く達成できる。
論文参考訳（メタデータ） (2024-01-18T09:59:00Z)
Structure-free Graph Condensation: From Large-scale Graphs to Condensed Graph-free Data [91.27527985415007]
既存のグラフ凝縮法は、凝縮グラフ内のノードと構造の合同最適化に依存している。我々は、大規模グラフを小さなグラフノード集合に蒸留する、SFGCと呼ばれる新しい構造自由グラフ凝縮パラダイムを提唱する。
論文参考訳（メタデータ） (2023-06-05T07:53:52Z)
Graph Transformer GANs for Graph-Constrained House Generation [223.739067413952]
本稿では,グラフノード関係を効果的に学習するために,GTGAN(Graph Transformer Generative Adversarial Network)を提案する。 GTGANは、グラフ制約のある住宅生成タスクにおいて、エンドツーエンドで効率的なグラフノード関係を学習する。
論文参考訳（メタデータ） (2023-03-14T20:35:45Z)
Data-heterogeneity-aware Mixing for Decentralized Learning [63.83913592085953]
グラフの混合重みとノード間のデータ不均一性の関係に収束の依存性を特徴付ける。グラフが現在の勾配を混合する能力を定量化する計量法を提案する。そこで本研究では,パラメータを周期的かつ効率的に最適化する手法を提案する。
論文参考訳（メタデータ） (2022-04-13T15:54:35Z)
Density-Aware Hyper-Graph Neural Networks for Graph-based Semi-supervised Node Classification [3.698434507617248]
本稿では,密度認識型ハイパーグラフニューラルネットワーク(DA-HGNN)を提案する。提案手法では,データ間の高次セマンティック相関を探索するためにハイパーグラフを提供し,高次接続関係を探索するために密度対応ハイパーグラフアテンションネットワークを提案する。
論文参考訳（メタデータ） (2022-01-27T13:43:14Z)
Detecting Communities from Heterogeneous Graphs: A Context Path-based Graph Neural Network Model [23.525079144108567]
コンテキストパスに基づくグラフニューラルネットワーク(CP-GNN)モデルを構築した。ノード間の高次関係をノードの埋め込みに埋め込む。最先端のコミュニティ検出手法よりも優れています。
論文参考訳（メタデータ） (2021-09-05T12:28:00Z)
Link Prediction on N-ary Relational Facts: A Graph-based Approach [18.01071110085996]
知識グラフ(KG)のリンク予測は重要な研究トピックである。本稿では,n-項関係の事実に対するリンク予測を考察し,この課題に対するグラフベースアプローチを提案する。
論文参考訳（メタデータ） (2021-05-18T12:40:35Z)
Factorizable Graph Convolutional Networks [90.59836684458905]
本稿では,グラフに符号化された相互に絡み合った関係を明示的に解消する新しいグラフ畳み込みネットワーク(GCN)を提案する。 FactorGCNは単純なグラフを入力として取り、それをいくつかの分解グラフに分解する。提案したFacterGCNは,合成および実世界のデータセットに対して質的かつ定量的に評価する。
論文参考訳（メタデータ） (2020-10-12T03:01:40Z)
Spectral Embedding of Graph Networks [76.27138343125985]
ローカルノードの類似性と接続性、グローバル構造をトレードオフする教師なしグラフ埋め込みを導入する。埋め込みは一般化されたグラフ Laplacian に基づいており、固有ベクトルは1つの表現においてネットワーク構造と近傍近傍の両方をコンパクトにキャプチャする。
論文参考訳（メタデータ） (2020-09-30T04:59:10Z)
node2coords: Graph Representation Learning with Wasserstein Barycenters [59.07120857271367]
グラフの表現学習アルゴリズムである node2coords を導入する。低次元空間を同時に学習し、その空間内のノードを座標する。実験の結果,node2coordで学習した表現は解釈可能であることがわかった。
論文参考訳（メタデータ） (2020-07-31T13:14:25Z)
Latent Poisson models for networks with heterogeneous density [0.0]
経験的ネットワークは、ネットワークの総サイズと比較すると、ノード当たりの平均接続数が少ないため、グローバルに疎結合であることが多い。隠れた多グラフを生成する潜在ポアソンモデルがこの密度を捉えるのにいかに効果的かを示すとともに、単純なグラフを直接モデル化するいくつかの選択肢よりも数学的に計算可能であることを示す。
論文参考訳（メタデータ） (2020-02-18T18:58:13Z)

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。