論文の概要: Learning Representations using Spectral-Biased Random Walks on Graphs

• arxiv url: http://arxiv.org/abs/2005.09752v2
• Date: Wed, 29 Jul 2020 15:12:32 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-01 13:51:46.628150
• Title: Learning Representations using Spectral-Biased Random Walks on Graphs
• Title（参考訳）: グラフ上のスペクトルバイアスランダムウォークを用いた学習表現
• Authors: Charu Sharma, Jatin Chauhan, Manohar Kaul
• Abstract要約: このプロセスにおける確率バイアスが、プロセスによって選択されたノードの品質にどの程度影響するかを調査する。 我々は、この近傍を正規化ラプラス行列として表されるノードの近傍部分グラフのスペクトルに基づく確率測度として簡潔に捉えた。 我々は,様々な実世界のデータセット上で,最先端ノード埋め込み技術に対する我々のアプローチを実証的に評価した。
• 参考スコア（独自算出の注目度）: 18.369974607582584
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Several state-of-the-art neural graph embedding methods are based on short random walks (stochastic processes) because of their ease of computation, simplicity in capturing complex local graph properties, scalability, and interpretibility. In this work, we are interested in studying how much a probabilistic bias in this stochastic process affects the quality of the nodes picked by the process. In particular, our biased walk, with a certain probability, favors movement towards nodes whose neighborhoods bear a structural resemblance to the current node's neighborhood. We succinctly capture this neighborhood as a probability measure based on the spectrum of the node's neighborhood subgraph represented as a normalized laplacian matrix. We propose the use of a paragraph vector model with a novel Wasserstein regularization term. We empirically evaluate our approach against several state-of-the-art node embedding techniques on a wide variety of real-world datasets and demonstrate that our proposed method significantly improves upon existing methods on both link prediction and node classification tasks.
• Abstract（参考訳）: いくつかの最先端のニューラルグラフ埋め込み法は、計算の容易さ、複雑な局所グラフ特性の取得の単純さ、スケーラビリティ、解釈可能性から、短いランダムウォーク(確率過程)に基づいている。 本研究では, この確率過程における確率バイアスが, プロセスによって選択されたノードの品質にどの程度影響するかを研究することに関心がある。 特に、偏りのある歩行は、ある確率で、現在のノードの近傍に類似した構造を持つノードへの移動を好んでいる。 我々は、この近傍を正規化ラプラシアン行列として表されるノードの近傍部分グラフのスペクトルに基づく確率測度として簡潔に捉えた。 本稿では,新しいワッサースタイン正規化項を用いた段落ベクトルモデルの利用を提案する。 提案手法は,様々な実世界データセットにおける最先端のノード埋め込み手法に対するアプローチを実証的に評価し,提案手法がリンク予測とノード分類タスクの両方において既存の手法を大幅に改善できることを実証する。

関連論文リスト

• Online Centralized Non-parametric Change-point Detection via Graph-based Likelihood-ratio Estimation [77.81487285123147]
  グラフの各ノードを、ほぼリアルタイムで同期して観測されるデータストリームを生成するようにします。 変更ポイント$tau$では、変更はノードのサブセット$C$で発生し、関連するノードストリームの確率分布に影響を与える。 本稿では,ポストチェンジとノードストリームの事前変更分布の確率比の直接推定に基づいて,$tau$を検出して$C$をローカライズするカーネルベースの新しい手法を提案する。
  論文  参考訳（メタデータ） (2023-01-08T10:15:24Z)
• LoNe Sampler: Graph node embeddings by coordinated local neighborhood sampling [0.7614628596146599]
  局所グラフ近傍サンプリングは、ノード表現学習のアルゴリズムの中心にある基本的な計算問題である。 そこで我々はLoNe Samplerを提案する。LoNe Samplerはローカル近傍サンプリングによる離散ノード埋め込みを生成するアルゴリズムスイートである。
  論文  参考訳（メタデータ） (2022-11-28T08:04:26Z)
• 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)
• Node Representation Learning in Graph via Node-to-Neighbourhood Mutual Information Maximization [27.701736055800314]
  グラフにおける情報ノード表現の学習の鍵は、近隣からコンテキスト情報を得る方法にある。 本稿では,ノードの隠蔽表現と周辺領域の相互情報を直接的に最大化することで,自己教師付きノード表現学習戦略を提案する。 我々のフレームワークは、表現学習の質と効率を裏付ける正の選択が相反する比較的損失によって最適化されている。
  論文  参考訳（メタデータ） (2022-03-23T08:21:10Z)
• Bayesian Graph Contrastive Learning [55.36652660268726]
  本稿では,ランダムな拡張がエンコーダにつながることを示すグラフコントラスト学習手法の新たな視点を提案する。 提案手法は,各ノードを決定論的ベクトルに埋め込む既存の手法とは対照的に,各ノードを潜在空間の分布で表現する。 いくつかのベンチマークデータセットにおける既存の最先端手法と比較して,性能が大幅に向上したことを示す。
  論文  参考訳（メタデータ） (2021-12-15T01:45:32Z)
• Online non-parametric change-point detection for heterogeneous data streams observed over graph nodes [79.94639436527454]
  本稿では,各ノードのデータストリームに関連付けられた後変化分布と前変化分布の確率比の直接推定に基づいて,$tau$を推定するオンラインノンパラメトリック手法を提案する。 合成実験と実世界の応用について,本手法の質を実証する。
  論文  参考訳（メタデータ） (2021-10-20T12:10:15Z)
• Spatially Adaptive Inference with Stochastic Feature Sampling and Interpolation [72.40827239394565]
  スパースサンプリングされた場所のみの機能を計算することを提案する。 次に、効率的な手順で特徴写像を密に再構築する。 提案したネットワークは、様々なコンピュータビジョンタスクの精度を維持しながら、かなりの計算を省くために実験的に示されている。
  論文  参考訳（メタデータ） (2020-03-19T15:36:31Z)
• PushNet: Efficient and Adaptive Neural Message Passing [1.9121961872220468]
  メッセージパッシングニューラルネットワークは、最近、グラフ上での表現学習に対する最先端のアプローチへと進化した。 既存のメソッドは、複数のラウンドですべてのエッジに沿って同期メッセージパッシングを実行する。 我々は、収束するまで最も関連性の高いエッジに沿ってのみ情報をプッシュする、新しい非同期メッセージパッシングアプローチについて検討する。
  論文  参考訳（メタデータ） (2020-03-04T18:15:30Z)
• Investigating Extensions to Random Walk Based Graph Embedding [0.3867052484157571]
  ランダムウォークに基づくグラフ埋め込みの新たな拡張を提案する。これは、ウォークから最も頻度の低いノードのパーセンテージを異なるレベルで除去する。 この除去により、我々は遠く離れたノードがノードの近傍に存在することをシミュレートし、従ってそれらの接続を明示的に表現する。 その結果、ランダムウォークベースの手法の拡張(うちを含む)は、予測性能をほんの少しだけ改善することがわかった。
  論文  参考訳（メタデータ） (2020-02-17T21:14:02Z)
• 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)

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。