論文の概要: Heterogeneous Network Representation Learning: A Unified Framework with Survey and Benchmark

• arxiv url: http://arxiv.org/abs/2004.00216v3
• Date: Thu, 17 Dec 2020 01:44:03 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-17 19:32:19.294812
• Title: Heterogeneous Network Representation Learning: A Unified Framework with Survey and Benchmark
• Title（参考訳）: 異種ネットワーク表現学習:調査とベンチマークによる統一フレームワーク
• Authors: Carl Yang, Yuxin Xiao, Yu Zhang, Yizhou Sun, Jiawei Han
• Abstract要約: 我々は、異種ネットワーク埋め込み(HNE)に関する既存の研究を要約し、評価するための統一的なフレームワークを提供することを目指している。 最初のコントリビューションとして、既存のHNEアルゴリズムのメリットを体系的に分類し分析するための一般的なパラダイムを提供する。 第2のコントリビューションとして、さまざまなソースから、スケール、構造、属性/ラベルの可用性などに関するさまざまな特性を備えた4つのベンチマークデータセットを作成します。 第3のコントリビューションとして、13の人気のあるHNEアルゴリズムに対するフレンドリなインターフェースを作成し、複数のタスクと実験的な設定に対して、それらの全周比較を提供する。
• 参考スコア（独自算出の注目度）: 57.10850350508929
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Since real-world objects and their interactions are often multi-modal and multi-typed, heterogeneous networks have been widely used as a more powerful, realistic, and generic superclass of traditional homogeneous networks (graphs). Meanwhile, representation learning (\aka~embedding) has recently been intensively studied and shown effective for various network mining and analytical tasks. In this work, we aim to provide a unified framework to deeply summarize and evaluate existing research on heterogeneous network embedding (HNE), which includes but goes beyond a normal survey. Since there has already been a broad body of HNE algorithms, as the first contribution of this work, we provide a generic paradigm for the systematic categorization and analysis over the merits of various existing HNE algorithms. Moreover, existing HNE algorithms, though mostly claimed generic, are often evaluated on different datasets. Understandable due to the application favor of HNE, such indirect comparisons largely hinder the proper attribution of improved task performance towards effective data preprocessing and novel technical design, especially considering the various ways possible to construct a heterogeneous network from real-world application data. Therefore, as the second contribution, we create four benchmark datasets with various properties regarding scale, structure, attribute/label availability, and \etc.~from different sources, towards handy and fair evaluations of HNE algorithms. As the third contribution, we carefully refactor and amend the implementations and create friendly interfaces for 13 popular HNE algorithms, and provide all-around comparisons among them over multiple tasks and experimental settings.
• Abstract（参考訳）: 実世界のオブジェクトとその相互作用はしばしばマルチモーダルでマルチタイプであるため、ヘテロジニアスネットワークは伝統的な均質ネットワーク(graphs)のより強力で現実的な、汎用的なスーパークラスとして広く使われてきた。 一方,表現学習 (\aka~embedding) は近年,様々なネットワークマイニングや分析作業において,集中的に研究されている。 本研究では,既存のヘテロジニアス・ネットワーク・組み込み(hne)に関する研究を深く要約し,評価するための統一的なフレームワークを提供することを目的としている。 この研究の最初の貢献として、HNEアルゴリズムの幅広い体系体が存在しており、既存のHNEアルゴリズムの利点に関する体系的な分類と分析のための一般的なパラダイムを提供する。 さらに、既存のHNEアルゴリズムは概ね汎用性を備えているが、しばしば異なるデータセットで評価される。 HNEの応用上、このような間接的な比較は、特に実世界のアプリケーションデータから異種ネットワークを構築する様々な方法を考えると、効率的なデータ前処理や新しい技術設計へのタスクパフォーマンスの向上の適切な寄与を阻害する。 したがって、第2の貢献として、スケール、構造、属性/ラベルの可用性、および \etcに関するさまざまな特性を持つ4つのベンチマークデータセットを作成します。 異なる情報源から、HNEアルゴリズムの便利で公正な評価に向けて。 第3のコントリビューションとして、実装を慎重にリファクタリングし、13の人気のあるHNEアルゴリズムの親和性のあるインターフェースを作成し、複数のタスクと実験的な設定に対して、それらの全周比較を提供する。

関連論文リスト

• Informed deep hierarchical classification: a non-standard analysis inspired approach [0.0]
  出力層の前に配置された特定のプロジェクション演算子を備えた多出力ディープニューラルネットワークで構成されている。 このようなアーキテクチャの設計は、LH-DNN(Lexicographic Hybrid Deep Neural Network)と呼ばれ、異なる研究分野と非常に離れた研究分野のツールを組み合わせることで実現されている。 アプローチの有効性を評価するために、階層的な分類タスクに適した畳み込みニューラルネットワークであるB-CNNと比較する。
  論文  参考訳（メタデータ） (2024-09-25T14:12:50Z)
• Scalable Multi-view Clustering via Explicit Kernel Features Maps [20.610589722626074]
  マルチビュー学習に対する意識の高まりは、現実世界のアプリケーションにおける複数のビューの増加によるものだ。 優れたクラスタリング性能を維持しつつ,計算負担を軽減するため,カーネル特徴マップを活用した効率的な最適化手法を提案する。 我々は,最先端のマルチビューサブスペースクラスタリング手法や属性ネットワークのマルチビューアプローチに対して,アルゴリズムの性能を評価するために,様々な規模の実世界のベンチマークネットワーク上で広範囲に実験を行った。
  論文  参考訳（メタデータ） (2024-02-07T12:35:31Z)
• Meta Adaptive Task Sampling for Few-Domain Generalization [43.2043988610497]
  FDG(Few-domain Generalization)は、新規タスクのごく少数のドメインから一般化可能なモデルを学ぶことを目的としている。 本稿では,メタ適応タスクサンプリング(MATS)手法を提案する。
  論文  参考訳（メタデータ） (2023-05-25T01:44:09Z)
• Multi-level Contrast Network for Wearables-based Joint Activity Segmentation and Recognition [10.828099015828693]
  ウェアラブルを用いたヒューマンアクティビティ認識(HAR)は、多くのスマートヘルスケアアプリケーションで広く採用可能な、有望な研究である。 ほとんどのHARアルゴリズムは、必要不可欠なが滅多に悪用されないマルチクラスウィンドウ問題の影響を受けやすい。 我々は,HARにセグメンテーション技術を導入し,共同活動セグメンテーションと認識を実現した。
  論文  参考訳（メタデータ） (2022-08-16T05:39:02Z)
• MD-CSDNetwork: Multi-Domain Cross Stitched Network for Deepfake Detection [80.83725644958633]
  現在のディープフェイク生成法では、偽画像やビデオの周波数スペクトルに識別的アーティファクトが残されている。 MD-CSDNetwork(MD-CSDNetwork)と呼ばれる新しい手法を提案する。
  論文  参考訳（メタデータ） (2021-09-15T14:11:53Z)
• Redefining Neural Architecture Search of Heterogeneous Multi-Network Models by Characterizing Variation Operators and Model Components [71.03032589756434]
  複素領域における異なる変動演算子の効果について検討する。 モデルの複雑さと性能に影響を及ぼす変化演算子と、それを構成する異なる部分の質を推定する様々な指標に依存するモデルの両方を特徴付ける。
  論文  参考訳（メタデータ） (2021-06-16T17:12:26Z)
• Landmark Regularization: Ranking Guided Super-Net Training in Neural Architecture Search [70.57382341642418]
  重量共有は、コモディティハードウェア上での検索を可能にするため、ニューラルネットワークアーキテクチャ検索のデファクトスタンダードとなっています。 近年の研究では、スタンドアロンアーキテクチャのパフォーマンスと対応する共有重み付きネットワークのパフォーマンスのランキング障害が実証されている。 本稿では,共有重みネットワークの性能ランキングとスタンドアロンアーキテクチャのパフォーマンスランキングの相関を最大化することを目的とした正規化用語を提案する。
  論文  参考訳（メタデータ） (2021-04-12T09:32:33Z)
• Few-Shot Named Entity Recognition: A Comprehensive Study [92.40991050806544]
  マルチショット設定のモデル一般化能力を向上させるための3つの手法を検討する。 ラベル付きデータの比率の異なる10の公開nerデータセットについて経験的比較を行う。 マルチショットとトレーニングフリーの両方の設定で最新の結果を作成します。
  論文  参考訳（メタデータ） (2020-12-29T23:43:16Z)
• Cross-Domain Facial Expression Recognition: A Unified Evaluation Benchmark and Adversarial Graph Learning [85.6386289476598]
  我々は,クロスドメイン全体的特徴共適応のための新しい逆グラフ表現適応(AGRA)フレームワークを開発した。 我々は,いくつかの一般的なベンチマークで広範囲かつ公平な評価を行い,提案したAGRAフレームワークが従来の最先端手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2020-08-03T15:00:31Z)

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。