論文の概要: The Effects of Randomness on the Stability of Node Embeddings
- arxiv url: http://arxiv.org/abs/2005.10039v1
- Date: Wed, 20 May 2020 13:36:09 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-01 05:14:39.989581
- Title: The Effects of Randomness on the Stability of Node Embeddings
- Title（参考訳）: ノード埋め込みの安定性に及ぼすランダム性の影響
- Authors: Tobias Schumacher, Hinrikus Wolf, Martin Ritzert, Florian Lemmerich,
Jan Bachmann, Florian Frantzen, Max Klabunde, Martin Grohe, Markus Strohmaier
- Abstract要約: グラフに5つのノード埋め込みアルゴリズムを適用し,その安定性をランダムに評価する。
ノードの中心性に依存しない埋め込み空間の幾何学において重要な不安定性を見出す。
これは、ノードの埋め込みを扱う場合、不安定性の影響を考慮する必要があることを示唆している。
- 参考スコア（独自算出の注目度）: 5.126380982787905
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We systematically evaluate the (in-)stability of state-of-the-art node
embedding algorithms due to randomness, i.e., the random variation of their
outcomes given identical algorithms and graphs. We apply five node embeddings
algorithms---HOPE, LINE, node2vec, SDNE, and GraphSAGE---to synthetic and
empirical graphs and assess their stability under randomness with respect to
(i) the geometry of embedding spaces as well as (ii) their performance in
downstream tasks. We find significant instabilities in the geometry of
embedding spaces independent of the centrality of a node. In the evaluation of
downstream tasks, we find that the accuracy of node classification seems to be
unaffected by random seeding while the actual classification of nodes can vary
significantly. This suggests that instability effects need to be taken into
account when working with node embeddings. Our work is relevant for researchers
and engineers interested in the effectiveness, reliability, and reproducibility
of node embedding approaches.
- Abstract（参考訳）: 提案手法は, ランダム性による最先端ノード埋め込みアルゴリズムの安定性, すなわち, 同一のアルゴリズムとグラフが与えられた結果のランダムな変動を, 系統的に評価する。
5つのノード埋め込みアルゴリズム-HOPE, LINE, node2vec, SDNE, GraphSAGE-を合成および実証グラフに適用し, ランダム性による安定性の評価を行う。
(i)埋め込み空間の幾何学だけでなく、埋め込み空間の幾何学
(ii)下流タスクにおけるパフォーマンス。
ノードの中心性に依存しない埋め込み空間の幾何学において重要な不安定性を見出す。
ダウンストリームタスクの評価において,ノード分類の精度はランダムシードの影響を受けないが,ノードの実際の分類は著しく異なることがわかった。
これは、ノード埋め込みを扱う際に不安定性の影響を考慮する必要があることを示唆している。
我々の研究は、ノード埋め込みアプローチの有効性、信頼性、再現性に関心を持つ研究者やエンジニアに関係している。
関連論文リスト
- SimCalib: Graph Neural Network Calibration based on Similarity between
Nodes [60.92081159963772]
グラフニューラルネットワーク(GNN)は、さまざまなアプリケーションで実証されたグラフデータのモデリングにおいて、優れたパフォーマンスを示している。
理論解析により,GNNキャリブレーションとノードワイド類似性の関係について考察した。
SimCalibと名付けられた新しい校正フレームワークは、グローバルレベルとローカルレベルにおけるノード間の類似性を検討するために提案されている。
論文 参考訳（メタデータ） (2023-12-19T04:58:37Z) - Uncertainty in GNN Learning Evaluations: A Comparison Between Measures
for Quantifying Randomness in GNN Community Detection [4.358468367889626]
実世界のベンチマークは、GNNの評価に影響を与える多くの決定により、混乱している。
W$ランダムネス係数は、ワッサーシュタイン距離に基づいて、ランダムネスの最も堅牢な評価を提供するものとして識別される。
論文 参考訳（メタデータ） (2023-12-14T15:06:29Z) - 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) - NodeFormer: A Scalable Graph Structure Learning Transformer for Node
Classification [70.51126383984555]
本稿では,任意のノード間のノード信号を効率的に伝搬する全ペアメッセージパッシング方式を提案する。
効率的な計算は、カーナライズされたGumbel-Softmax演算子によって実現される。
グラフ上のノード分類を含む様々なタスクにおいて,本手法の有望な有効性を示す実験を行った。
論文 参考訳（メタデータ） (2023-06-14T09:21:15Z) - A Systematic Evaluation of Node Embedding Robustness [77.29026280120277]
本研究では,ノード埋め込みモデルのランダムおよび逆毒攻撃に対する経験的ロバスト性を評価する。
ネットワーク特性とノードラベルを用いて計算したエッジの追加,削除,再切り替えの戦略を比較した。
その結果,ノード分類はネットワーク再構成とは対照的に,高い性能劣化に悩まされていることがわかった。
論文 参考訳（メタデータ） (2022-09-16T17:20:23Z) - Stability of Aggregation Graph Neural Networks [153.70485149740608]
グラフの摂動を考慮したアグリゲーショングラフニューラルネットワーク(Agg-GNN)の安定性特性について検討した。
安定性境界は各ノードに作用するCNNの第1層におけるフィルタの特性によって定義される。
また、Agg-GNNでは、写像演算子の選択性は、CNNステージの第1層においてのみフィルタの特性に結びついていると結論付けている。
論文 参考訳（メタデータ） (2022-07-08T03:54:52Z) - On the Prediction Instability of Graph Neural Networks [2.3605348648054463]
トレーニングされたモデルの不安定性は、マシンラーニングシステムの信頼性、信頼性、信頼性に影響を与える可能性がある。
最新のグラフニューラルネットワーク(GNN)によるノード分類の不安定性の予測を系統的に評価する。
不正に分類されたノードの最大3分の1は、アルゴリズムの実行によって異なることがわかった。
論文 参考訳（メタデータ） (2022-05-20T10:32:59Z) - Ergodic Limits, Relaxations, and Geometric Properties of Random Walk
Node Embeddings [11.549910517683085]
ランダムウォークに基づくノード埋め込みアルゴリズムは,ネットワーク上のランダムウォークから計算したノード埋め込みベクトルとスキップバイグラム統計の客観的関数を最適化することにより,ノードのベクトル表現を学習する。
本稿では,ネットワーク内に隠されたブロック構造を発見するための教師なし設定において,ランダムウォークに基づくノード埋め込みの特性について検討する。
論文 参考訳（メタデータ） (2021-09-09T19:24:35Z) - Unveiling Anomalous Edges and Nominal Connectivity of Attributed
Networks [53.56901624204265]
本研究では、相補的な強さを持つ2つの異なる定式化を用いて、属性グラフの異常なエッジを明らかにする。
まず、グラフデータマトリックスを低ランクとスパースコンポーネントに分解することで、パフォーマンスを著しく向上させる。
第2は、乱れのないグラフを頑健に復元することにより、第1のスコープを広げ、異常識別性能を高める。
論文 参考訳（メタデータ） (2021-04-17T20:00:40Z) - Consistency of random-walk based network embedding algorithms [13.214230533788932]
node2vecアルゴリズムとDeepWalkアルゴリズムを行列ファクタリゼーションの観点から検討する。
その結果,観測ネットワークの幅,ランダムウォークのウィンドウサイズ,ノード2vec/DeepWalk埋め込みの収束率との微妙な相互作用が示唆された。
論文 参考訳（メタデータ） (2021-01-18T22:49:22Z)
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。