論文の概要: CONE-Align: Consistent Network Alignment with Proximity-Preserving Node
Embedding
- arxiv url: http://arxiv.org/abs/2005.04725v2
- Date: Mon, 17 Aug 2020 22:47:22 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-05 02:14:15.965257
- Title: CONE-Align: Consistent Network Alignment with Proximity-Preserving Node
Embedding
- Title(参考訳): cone-align: 近接保存ノード埋め込みによる一貫性のあるネットワークアライメント
- Authors: Xiyuan Chen, Mark Heimann, Fatemeh Vahedian, Danai Koutra
- Abstract要約: 本研究では,ネットワーク内近接をノード埋め込みとモデル化し,組込み部分空間を整列させた後にノード間のマッチングを行うCONE-Alignを提案する。
多様な挑戦的なデータセットの実験は、CONE-Alignが堅牢であり、最高のパフォーマンスのグラフアライメントアルゴリズムよりも平均19.25%高い精度が得られることを示している。
- 参考スコア(独自算出の注目度): 13.339419391855692
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Network alignment, the process of finding correspondences between nodes in
different graphs, has many scientific and industrial applications. Existing
unsupervised network alignment methods find suboptimal alignments that break up
node neighborhoods, i.e. do not preserve matched neighborhood consistency. To
improve this, we propose CONE-Align, which models intra-network proximity with
node embeddings and uses them to match nodes across networks after aligning the
embedding subspaces. Experiments on diverse, challenging datasets show that
CONE-Align is robust and obtains 19.25% greater accuracy on average than the
best-performing state-of-the-art graph alignment algorithm in highly noisy
settings.
- Abstract(参考訳): ネットワークアライメントは、異なるグラフのノード間の対応を見つけるプロセスであり、多くの科学的、産業的な応用がある。
既存の教師なしネットワークアライメント手法では、ノード近傍を分割する準最適アライメントを見つける。
そこで本研究では,ネットワーク内近接をノード埋め込みとモデル化し,それらをネットワーク間のノードマッチングに用いたconan-alignを提案する。
多様な挑戦的なデータセットの実験では、CONE-Alignは堅牢であり、非常にノイズの多い環境で最高のパフォーマンスのグラフアライメントアルゴリズムよりも平均19.25%高い精度が得られる。
関連論文リスト
- Matcha: Mitigating Graph Structure Shifts with Test-Time Adaptation [66.40525136929398]
テスト時間適応(TTA)は、ソースドメインに再アクセスすることなく、トレーニング済みのモデルをターゲットドメインに適応できる能力によって注目を集めている。
グラフの構造シフトへの効果的かつ効率的な適応を目的とした,革新的なフレームワークであるMatchaを提案する。
合成と実世界の両方のデータセットに対するMatchaの有効性を検証し、構造と属性シフトの様々な組み合わせにおける頑健さを実証した。
論文 参考訳(メタデータ) (2024-10-09T15:15:40Z) - A Topological Perspective on Demystifying GNN-Based Link Prediction
Performance [72.06314265776683]
トポロジカル濃度 (TC) は、各ノードの局所部分グラフと隣人の部分グラフの交点に基づいている。
また,TCLは,次数や部分グラフ密度などの他のノードレベルのトポロジ指標よりもLP性能と高い相関性を示した。
我々は, 近似トポロジカル濃度 (ATC) を提案し, 理論的・経験的にTC近似の有効性を正当化し, 複雑さを低減させる。
論文 参考訳(メタデータ) (2023-10-06T22:07:49Z) - Hierarchical Multi-Marginal Optimal Transport for Network Alignment [52.206006379563306]
マルチネットワークアライメントは,複数ネットワーク上での協調学習に必須の要件である。
マルチネットワークアライメントのための階層型マルチマージ最適トランスポートフレームワークHOTを提案する。
提案するHOTは,有効性とスケーラビリティの両面で,最先端の大幅な改善を実現している。
論文 参考訳(メタデータ) (2023-10-06T02:35:35Z) - T-GAE: Transferable Graph Autoencoder for Network Alignment [79.89704126746204]
T-GAEはグラフオートエンコーダフレームワークで、GNNの転送性と安定性を活用して、再トレーニングなしに効率的なネットワークアライメントを実現する。
実験の結果、T-GAEは最先端の最適化手法と最高のGNN手法を最大38.7%、50.8%で上回っていることがわかった。
論文 参考訳(メタデータ) (2023-10-05T02:58:29Z) - PA-GM: Position-Aware Learning of Embedding Networks for Deep Graph
Matching [14.713628231555223]
本稿では,線形代入問題を高次元空間にマッピングできる新しいエンドツーエンドニューラルネットワークを提案する。
我々のモデルは、ノードの相対的な位置に対するアンカーセットを構成する。
そして、相対位置の尺度に基づいて、ターゲットノードと各アンカーノードの特徴情報を集約する。
論文 参考訳(メタデータ) (2023-01-05T06:54:21Z) - CAPER: Coarsen, Align, Project, Refine - A General Multilevel Framework
for Network Alignment [16.309222568897383]
複数のグラフ解像度をまたいだアライメント整合性を実現することにより,CAPERは様々なネットワークアライメントアルゴリズムを改善することができることを示す。
実験により、CAPERは様々なネットワークアライメント手法を平均33%の精度で改善し、実行時に桁違いに高速に処理できることが示されている。
論文 参考訳(メタデータ) (2022-08-23T02:04:56Z) - On the Power of Gradual Network Alignment Using Dual-Perception
Similarities [14.779474659172923]
ネットワークアライメント(NA)は、ネットワーク構造とノード属性に基づいて、2つのネットワーク間のノードの対応を見つけるタスクである。
我々の研究は、既存のNA手法のほとんどが一度に全てのノード対を発見しようとしたため、ノード対応の暫定的な発見によって得られた情報を利用していないという事実に動機づけられている。
強い一貫性を示すノード対をフル活用することにより、ノード対を徐々に発見する新しいNA法であるGrad-Alignを提案する。
論文 参考訳(メタデータ) (2022-01-26T14:01:32Z) - GraphReach: Position-Aware Graph Neural Network using Reachability
Estimations [12.640837452980332]
GraphReachは位置認識型誘導型GNNで、到達可能性推定を通じてノードのグローバルな位置をキャプチャする。
このアンカー選択問題はNPハードであることが示され、結果としてグリーディ(1-1/e)近似が展開される。
最先端のGNNアーキテクチャに対する実証的な評価は、GraphReachが正確性において最大40%の相対的な改善を提供することを示している。
論文 参考訳(メタデータ) (2020-08-19T14:30:03Z) - G-CREWE: Graph CompREssion With Embedding for Network Alignment [18.200401309702173]
本稿では,ネットワークアライメント問題を解決するG-CREWEというフレームワークを提案する。
G-CREWEはノード埋め込みを使用して、ネットワークを2段階の解像度で整列させる。
また,MERGEと呼ばれる新しい圧縮機構を提案し,入力ネットワークのサイズを小さくする。
論文 参考訳(メタデータ) (2020-07-30T05:30:21Z) - Towards Deeper Graph Neural Networks with Differentiable Group
Normalization [61.20639338417576]
グラフニューラルネットワーク(GNN)は、隣接するノードを集約することでノードの表現を学習する。
オーバースムーシングは、レイヤーの数が増えるにつれてGNNのパフォーマンスが制限される重要な問題のひとつです。
2つのオーバースムースなメトリクスと新しいテクニック、すなわち微分可能群正規化(DGN)を導入する。
論文 参考訳(メタデータ) (2020-06-12T07:18:02Z) - Neighborhood Matching Network for Entity Alignment [71.24217694278616]
Neighborhood Matching Network (NMN)は、新しいエンティティアライメントフレームワークである。
NMNは、トポロジカル構造と近傍差の両方を捉えるために、エンティティ間の類似性を推定する。
まず、新しいグラフサンプリング法を用いて、各エンティティの識別的近傍を蒸留する。
その後、クロスグラフの近傍マッチングモジュールを採用し、与えられたエンティティペアの近傍差を共同で符号化する。
論文 参考訳(メタデータ) (2020-05-12T08:26:15Z)
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。