論文の概要: Bipartite Link Prediction based on Topological Features via 2-hop Path
- arxiv url: http://arxiv.org/abs/2003.08572v1
- Date: Thu, 19 Mar 2020 05:07:54 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-22 03:58:27.246013
- Title: Bipartite Link Prediction based on Topological Features via 2-hop Path
- Title（参考訳）: 2ホップパスによるトポロジ的特徴に基づく2部リンク予測
- Authors: Jungwoon Shin
- Abstract要約: Linear-Graph Autoencoder(LGAE)は,リンク予測やノードクラスタリングといった課題に対して,有望なパフォーマンスを実現している。
本稿では,ノード属性が利用できない場合の分岐リンク予測について考察する。
このアプローチは、12の2分割データセットのうち10の10でGraph AutoencoderとLinear Graph Autoencoderモデルを一貫して上回り、他の2つの2分割データセットで競合的なパフォーマンスに到達します。
- 参考スコア（独自算出の注目度）: 0.8223798883838329
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: A variety of real-world systems can be modeled as bipartite networks. One of
the most powerful and simple link prediction methods is Linear-Graph
Autoencoder(LGAE) which has promising performance on challenging tasks such as
link prediction and node clustering. LGAE relies on simple linear model w.r.t.
the adjacency matrix of the graph to learn vector space representations of
nodes. In this paper, we consider the case of bipartite link predictions where
node attributes are unavailable. When using LGAE, we propose to multiply the
reconstructed adjacency matrix with a symmetrically normalized training
adjacency matrix. As a result, 2-hop paths are formed which we use as the
predicted adjacency matrix to evaluate the performance of our model.
Experimental results on both synthetic and real-world dataset show our approach
consistently outperforms Graph Autoencoder and Linear Graph Autoencoder model
in 10 out of 12 bipartite dataset and reaches competitive performances in 2
other bipartite dataset.
- Abstract（参考訳）: 様々な実世界のシステムは二部ネットワークとしてモデル化することができる。
最も強力で単純なリンク予測手法の1つはLinear-Graph Autoencoder (LGAE) である。
LGAEは単純な線形モデル、すなわちグラフの隣接行列を使ってノードのベクトル空間表現を学習する。
本稿では,ノード属性が利用できない2部リンク予測について考察する。
lgaeを使用する場合、再構成された隣接行列に対称正規化訓練隣接行列を乗算する。
その結果,モデルの性能を評価するために,予測隣接行列として使用する2ホップパスが形成される。
合成データと実世界のデータセットの両方における実験結果から,我々は12の2部データセットのうち10のグラフオートエンコーダと線形グラフオートエンコーダモデルに一貫して勝っており,他の2つの2部データセットで競合性能に達している。
関連論文リスト
- You do not have to train Graph Neural Networks at all on text-attributed graphs [25.044734252779975]
我々は、同じクラスからのテキストエンコーディングがしばしば線形部分空間に集約されるという観察に乗じて、線形GNNモデルであるTrainlessGNNを紹介した。
実験の結果、私たちのトレインレスモデルは、従来の訓練済みのモデルにマッチするか、超えられることがわかった。
論文 参考訳（メタデータ） (2024-04-17T02:52:11Z) - Embedding Graphs on Grassmann Manifold [31.42901131602713]
本稿では,グラスマン多様体に近似した2階グラフ特性を組み込んだ新しいグラフ表現学習手法EGGを提案する。
EGGの有効性はノードレベルとグラフレベルでのクラスタリングと分類タスクの両方を用いて示される。
論文 参考訳（メタデータ） (2022-05-30T12:56:24Z) - uGLAD: Sparse graph recovery by optimizing deep unrolled networks [11.48281545083889]
深層ネットワークを最適化してスパースグラフ復元を行う新しい手法を提案する。
我々のモデルであるuGLADは、最先端モデルGLADを教師なし設定に構築し、拡張します。
我々は, 遺伝子調節ネットワークから生成した合成ガウスデータ, 非ガウスデータを用いて, モデル解析を行い, 嫌気性消化の事例研究を行った。
論文 参考訳（メタデータ） (2022-05-23T20:20:27Z) - Graph Spectral Embedding using the Geodesic Betweeness Centrality [76.27138343125985]
本稿では、局所的な類似性、接続性、グローバル構造を教師なしで表現するグラフSylvester Embedding (GSE)を紹介する。
GSEはシルヴェスター方程式の解を用いて、ネットワーク構造と近傍の近接を1つの表現で捉える。
論文 参考訳（メタデータ） (2022-05-07T04:11:23Z) - Optimal Propagation for Graph Neural Networks [51.08426265813481]
最適グラフ構造を学習するための二段階最適化手法を提案する。
また、時間的複雑さをさらに軽減するために、低ランク近似モデルについても検討する。
論文 参考訳（メタデータ） (2022-05-06T03:37:00Z) - Unfolding Projection-free SDP Relaxation of Binary Graph Classifier via
GDPA Linearization [59.87663954467815]
アルゴリズムの展開は、モデルベースのアルゴリズムの各イテレーションをニューラルネットワーク層として実装することにより、解釈可能で類似のニューラルネットワークアーキテクチャを生成する。
本稿では、Gershgorin disc perfect alignment (GDPA)と呼ばれる最近の線形代数定理を利用して、二進グラフの半定値プログラミング緩和(SDR)のためのプロジェクションフリーアルゴリズムをアンロールする。
実験結果から,我々の未学習ネットワークは純粋モデルベースグラフ分類器よりも優れ,純粋データ駆動ネットワークに匹敵する性能を示したが,パラメータははるかに少なかった。
論文 参考訳（メタデータ） (2021-09-10T07:01:15Z) - SLGCN: Structure Learning Graph Convolutional Networks for Graphs under
Heterophily [5.619890178124606]
本稿では2つの側面から問題を緩和する構造学習グラフ畳み込みネットワーク(SLGCN)を提案する。
具体的には、全ての類似ノードから特徴表現を効率的に集約するために、アンカーを用いた効率的なスペクトルクラスタリング(ESC-ANCH)を設計する。
幅広いベンチマークデータセットの実験結果は、提案されたSLGCNが、最先端のGNNよりも優れていることを示している。
論文 参考訳（メタデータ） (2021-05-28T13:00:38Z) - Embedding Graph Auto-Encoder for Graph Clustering [90.8576971748142]
グラフ自動エンコーダ(GAE)モデルは、半教師付きグラフ畳み込みネットワーク(GCN)に基づく
我々は、グラフクラスタリングのための特定のGAEベースのモデルを設計し、その理論、すなわち、埋め込みグラフオートエンコーダ(EGAE)と整合する。
EGAEは1つのエンコーダと2つのデコーダで構成される。
論文 参考訳（メタデータ） (2020-02-20T09:53:28Z) - Block-Approximated Exponential Random Graphs [77.4792558024487]
指数乱グラフ(ERG)の分野における重要な課題は、大きなグラフ上の非自明なERGの適合である。
本稿では,非自明なERGに対する近似フレームワークを提案する。
我々の手法は、数百万のノードからなるスパースグラフにスケーラブルである。
論文 参考訳（メタデータ） (2020-02-14T11:42:16Z) - Revisiting Graph based Collaborative Filtering: A Linear Residual Graph
Convolutional Network Approach [55.44107800525776]
グラフ畳み込みネットワーク(GCN)は、最先端のグラフベースの表現学習モデルである。
本稿では、GCNベースの協調フィルタリング(CF)ベースのレコメンダシステム(RS)について再検討する。
単純なグラフ畳み込みネットワークの理論と整合して,非線形性を取り除くことで推奨性能が向上することを示す。
本稿では,ユーザ・イテム相互作用モデリングを用いたCF用に特別に設計された残差ネットワーク構造を提案する。
論文 参考訳（メタデータ） (2020-01-28T04:41:25Z)
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。