論文の概要: Vertex Nomination in Richly Attributed Networks
- arxiv url: http://arxiv.org/abs/2005.02151v3
- Date: Thu, 4 May 2023 15:21:04 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-05 20:43:16.210397
- Title: Vertex Nomination in Richly Attributed Networks
- Title(参考訳): 富裕層ネットワークにおける頂点候補
- Authors: Keith Levin, Carey E. Priebe, Vince Lyzinski
- Abstract要約: ネットワーク情報検索タスクにおけるコンテンツとコンテキストの二重の役割について検討する。
我々は、コンテンツとコンテキストの両方を活用するスキームと、コンテンツとコンテキストのみを別々に活用するコンテントとコンテクストの両方を活用するスキームの必要十分条件を提供する。
本稿では,ネットワークの特徴とトポロジの潜在的補完的役割を理解するための,新たな理論的基盤を提供する。
- 参考スコア(独自算出の注目度): 15.51395766984564
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Vertex nomination is a lightly-supervised network information retrieval task
in which vertices of interest in one graph are used to query a second graph to
discover vertices of interest in the second graph. Similar to other information
retrieval tasks, the output of a vertex nomination scheme is a ranked list of
the vertices in the second graph, with the heretofore unknown vertices of
interest ideally concentrating at the top of the list. Vertex nomination
schemes provide a useful suite of tools for efficiently mining complex networks
for pertinent information. In this paper, we explore, both theoretically and
practically, the dual roles of content (i.e., edge and vertex attributes) and
context (i.e., network topology) in vertex nomination. We provide necessary and
sufficient conditions under which vertex nomination schemes that leverage both
content and context outperform schemes that leverage only content or context
separately. While the joint utility of both content and context has been
demonstrated empirically in the literature, the framework presented in this
paper provides a novel theoretical basis for understanding the potential
complementary roles of network features and topology.
- Abstract(参考訳): 頂点指名は、あるグラフに対する関心の頂点を用いて第2のグラフに対する関心の頂点を探索し、第2のグラフに対する関心の頂点を検出する、軽量に制御されたネットワーク情報検索タスクである。
他の情報検索タスクと同様に、頂点指名スキームの出力は第2のグラフの頂点のランクリストであり、現在までに未知の関心の頂点がリストのトップに集中している。
頂点指定スキームは、関連する情報のために複雑なネットワークを効率的にマイニングするための有用なツールセットを提供する。
本稿では,頂点候補におけるコンテンツ(エッジ属性と頂点属性)とコンテキスト(ネットワークトポロジー)の2つの役割を理論的かつ実質的に検討する。
我々は、コンテンツとコンテキストの両方を利用する頂点の指名スキームが、コンテンツとコンテキストだけを別々に活用する、必要かつ十分な条件を提供する。
本論文では,コンテントとコンテキストの共用性が実証的に実証されているが,ネットワークの特徴とトポロジの潜在的な相補的役割を理解するための新たな理論的基盤を提供する。
関連論文リスト
- DELTA: Dual Consistency Delving with Topological Uncertainty for Active Graph Domain Adaptation [14.61592658071535]
そこで本研究では,対象グラフ上の情報ノードを定量化して追加アノテーションを付加する,アクティブグラフ領域適応の問題について検討する。
この問題は、複雑なトポロジカルな関係とグラフ間の分布差のため、非常に難しい。
グラフ領域適応のためのDELTA(Dual Consistency Delving with Topological Uncertainty)という新しい手法を提案する。
論文 参考訳(メタデータ) (2024-09-13T16:06:18Z) - DGNN: Decoupled Graph Neural Networks with Structural Consistency
between Attribute and Graph Embedding Representations [62.04558318166396]
グラフニューラルネットワーク(GNN)は、複雑な構造を持つグラフ上での表現学習の堅牢性を示す。
ノードのより包括的な埋め込み表現を得るために、Decoupled Graph Neural Networks (DGNN)と呼ばれる新しいGNNフレームワークが導入された。
複数のグラフベンチマークデータセットを用いて、ノード分類タスクにおけるDGNNの優位性を検証した。
論文 参考訳(メタデータ) (2024-01-28T06:43:13Z) - A Survey of Deep Graph Clustering: Taxonomy, Challenge, Application, and
Open Resource [87.7460720701592]
本稿では, この分野における公式定義, 評価, 開発について紹介する。
ディープグラフクラスタリング手法の分類は,グラフタイプ,ネットワークアーキテクチャ,学習パラダイム,クラスタリング手法など,4つの異なる基準に基づいて提示される。
コンピュータビジョン、自然言語処理、レコメンデーションシステム、ソーシャルネットワーク分析、バイオインフォマティクス、医学を含む6分野におけるディープグラフクラスタリング手法の適用について述べる。
論文 参考訳(メタデータ) (2022-11-23T11:31:11Z) - Graph Pooling for Graph Neural Networks: Progress, Challenges, and
Opportunities [128.55790219377315]
グラフニューラルネットワークは多くのグラフレベルのタスクの主要なアーキテクチャとして登場した。
グラフプーリングは、グラフ全体の全体的グラフレベル表現を得るためには不可欠である。
論文 参考訳(メタデータ) (2022-04-15T04:02:06Z) - Graph Decipher: A transparent dual-attention graph neural network to
understand the message-passing mechanism for the node classification [2.0047096160313456]
本稿では,メッセージパッシング機構を調べるために,Graph Decipherと呼ばれる新しい透過型ネットワークを提案する。
本アルゴリズムは,ノード分類タスクの負荷を大幅に低減しつつ,最先端の性能を実現する。
論文 参考訳(メタデータ) (2022-01-04T23:24:00Z) - A Multi-purposed Unsupervised Framework for Comparing Embeddings of
Undirected and Directed Graphs [0.0]
筆者らが最近導入したグラフ埋め込み評価フレームワークを拡張した。
適切な埋め込みは、基礎となるグラフトポロジと構造、ノード間関係、その他の関連する情報をキャプチャする必要がある。
フレームワークは柔軟でスケーラブルで、非指向/指向/重み付き/非重み付きグラフを扱うことができる。
論文 参考訳(メタデータ) (2021-11-30T20:20:30Z) - 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) - 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) - Semi-Supervised Node Classification by Graph Convolutional Networks and
Extracted Side Information [18.07347677181108]
本稿では,グラフ畳み込みネットワーク(GCN)による半教師付きシナリオにおけるノード分類タスクを再検討する。
目標は、明らかにされたノードラベルの周りに流通する情報のフローの恩恵を受けることだ。
論文 参考訳(メタデータ) (2020-09-29T02:38:58Z) - Graph Prototypical Networks for Few-shot Learning on Attributed Networks [72.31180045017835]
グラフメタ学習フレームワーク - Graph Prototypeal Networks (GPN) を提案する。
GPNは、属性付きネットワーク上でテキストミータ学習を行い、ターゲット分類タスクを扱うための高度に一般化可能なモデルを導出する。
論文 参考訳(メタデータ) (2020-06-23T04:13:23Z) - 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)
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。