論文の概要: CSNE: Conditional Signed Network Embedding

• arxiv url: http://arxiv.org/abs/2005.10701v2
• Date: Mon, 25 May 2020 10:13:43 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-01 13:51:11.598832
• Title: CSNE: Conditional Signed Network Embedding
• Title（参考訳）: CSNE: 条件付き署名ネットワーク埋め込み
• Authors: Alexandru Mara, Yoosof Mashayekhi, Jefrey Lijffijt, Tijl De Bie
• Abstract要約: 署名されたネットワークは、友人/フォアや信頼/不信のようなエンティティ間の正と負の関係を符号化する。 サイン予測のための既存の埋め込み手法は、一般に最適化関数におけるステータスやバランス理論の異なる概念を強制する。 条件付き符号付きネットワーク埋め込み(CSNE)を導入する。 我々の確率論的アプローチは、きめ細かな詳細とは別途、ネットワーク内の記号に関する構造情報をモデル化する。
• 参考スコア（独自算出の注目度）: 77.54225346953069
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Signed networks are mathematical structures that encode positive and negative relations between entities such as friend/foe or trust/distrust. Recently, several papers studied the construction of useful low-dimensional representations (embeddings) of these networks for the prediction of missing relations or signs. Existing embedding methods for sign prediction generally enforce different notions of status or balance theories in their optimization function. These theories, however, are often inaccurate or incomplete, which negatively impacts method performance. In this context, we introduce conditional signed network embedding (CSNE). Our probabilistic approach models structural information about the signs in the network separately from fine-grained detail. Structural information is represented in the form of a prior, while the embedding itself is used for capturing fine-grained information. These components are then integrated in a rigorous manner. CSNE's accuracy depends on the existence of sufficiently powerful structural priors for modelling signed networks, currently unavailable in the literature. Thus, as a second main contribution, which we find to be highly valuable in its own right, we also introduce a novel approach to construct priors based on the Maximum Entropy (MaxEnt) principle. These priors can model the \emph{polarity} of nodes (degree to which their links are positive) as well as signed \emph{triangle counts} (a measure of the degree structural balance holds to in a network). Experiments on a variety of real-world networks confirm that CSNE outperforms the state-of-the-art on the task of sign prediction. Moreover, the MaxEnt priors on their own, while less accurate than full CSNE, achieve accuracies competitive with the state-of-the-art at very limited computational cost, thus providing an excellent runtime-accuracy trade-off in resource-constrained situations.
• Abstract（参考訳）: 署名されたネットワークは、友人/家族や信頼/不信といったエンティティ間の正と負の関係を符号化する数学的構造である。 近年,これらのネットワークの欠落関係や記号の予測に有用な低次元表現(埋め込み)の構築が研究されている。 サイン予測のための既存の埋め込み手法は、一般に最適化関数におけるステータスやバランス理論の異なる概念を強制する。 しかし、これらの理論はしばしば不正確または不完全であり、メソッドのパフォーマンスに悪影響を及ぼす。 この文脈では、条件付き符号付きネットワーク埋め込み(CSNE)を導入する。 我々の確率論的アプローチは、きめ細かい詳細とは別途、ネットワーク内の記号に関する構造情報をモデル化する。 構造情報は事前の形式で表現され、埋め込みそのものはきめ細かい情報を取得するために使用される。 これらのコンポーネントは厳密な方法で統合される。 CSNEの精度は、署名されたネットワークをモデル化するための十分に強力な構造的先行性の存在に依存する。 したがって、第2の主貢献として、我々は、それ自身で非常に価値の高いものとして、最大エントロピー(Maximum Entropy, MaxEnt)原理に基づく事前構築のための新しいアプローチを導入する。 これらの事前は、ノード(リンクが正の度数)と署名された \emph{triangle counts}(ネットワークにおける構造的バランスの度合いの尺度)の \emph{polarity} をモデル化することができる。 様々な実世界のネットワークの実験により、CSNEはサイン予測のタスクにおいて最先端よりも優れていることが確認された。 さらに、MaxEntは、完全なCSNEよりも精度が低いが、非常に計算コストの制限で最先端と競合するアキュラシーを達成し、リソース制約のある状況において優れた実行時精度のトレードオフを提供する。

関連論文リスト

• SE-SGformer: A Self-Explainable Signed Graph Transformer for Link Sign Prediction [8.820909397907274]
  符号付きグラフニューラルネットワーク(SGNN)は、正と負のリンクが共存する現実の状況において、複雑なパターンを分析するのに有効であることが示されている。 SGNNモデルは説明可能性の低さに悩まされており、予測の背後にある理論的根拠を理解する必要のある重要なシナリオでの採用を制限する。 本稿では,高い予測精度を確保しつつ説明可能な情報を出力するSelf-Explainable Signed Graph Transformer (SE-SGformer) フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-08-16T13:54:50Z)
• Semantic Loss Functions for Neuro-Symbolic Structured Prediction [74.18322585177832]
  このような構造に関する知識を象徴的に定義した意味的損失をトレーニングに注入する。 記号の配置に非依存であり、それによって表現される意味論にのみ依存する。 識別型ニューラルモデルと生成型ニューラルモデルの両方と組み合わせることができる。
  論文  参考訳（メタデータ） (2024-05-12T22:18:25Z)
• Explainable Sparse Knowledge Graph Completion via High-order Graph Reasoning Network [111.67744771462873]
  本稿では,スパース知識グラフ(KG)のための新しい説明可能なモデルを提案する。 高次推論をグラフ畳み込みネットワーク、すなわちHoGRNに結合する。 情報不足を緩和する一般化能力を向上させるだけでなく、解釈可能性も向上する。
  論文  参考訳（メタデータ） (2022-07-14T10:16:56Z)
• Privacy-preserving machine learning with tensor networks [37.01494003138908]
  テンソルネットワークアーキテクチャは、特にプライバシー保護機械学習に期待できる特性を持つことを示す。 まず、フィードフォワードニューラルネットワークに存在する新たなプライバシ脆弱性を説明し、それを合成および実世界のデータセットで説明する。 このような条件がテンソルネットワークアーキテクチャによって満たされていることを厳密に証明する。
  論文  参考訳（メタデータ） (2022-02-24T19:04:35Z)
• SigGAN : Adversarial Model for Learning Signed Relationships in Networks [2.0277446818410994]
  本稿では,署名ネットワークSigGANのためのGANベースモデルを提案する。 負のエッジからの情報の統合、正のエッジ数と負のエッジ数における高い不均衡、構造バランス理論などの符号付きネットワークの要件を考察する。
  論文  参考訳（メタデータ） (2022-01-17T14:53:30Z)
• BScNets: Block Simplicial Complex Neural Networks [79.81654213581977]
  グラフ学習における最新の方向性として、SNN(Simplicial Neural Network)が最近登場した。 リンク予測のためのBlock Simplicial Complex Neural Networks (BScNets) モデルを提案する。 BScNetsは、コストを抑えながら最先端のモデルよりも大きなマージンを保っている。
  論文  参考訳（メタデータ） (2021-12-13T17:35:54Z)
• MUSE: Multi-faceted Attention for Signed Network Embedding [4.442695760653947]
  符号付きネットワーク埋め込みは、正と負のリンクを持つ符号付きネットワークにおけるノードの低次元表現を学習するアプローチである。 この問題を解決するために,MUlti-faceted attention-based Signed network Embedding フレームワーク MUSE を提案する。
  論文  参考訳（メタデータ） (2021-04-29T16:09:35Z)
• Interpretable Signed Link Prediction with Signed Infomax Hyperbolic Graph [54.03786611989613]
  ソーシャルネットワークにおけるサイン付きリンク予測は、ユーザ(すなわちノード)間の基盤となる関係(リンク)を明らかにすることを目的としている 我々は Signed Infomax Hyperbolic Graph (textbfSIHG) と呼ばれる統一されたフレームワークを開発する。 高次ユーザ関係と複雑な階層をモデル化するために、ノードの埋め込みを投影し、より低歪みの双曲空間で測定する。
  論文  参考訳（メタデータ） (2020-11-25T05:09:03Z)
• Probing Predictions on OOD Images via Nearest Categories [97.055916832257]
  ニューラルネットワークが未確認のクラスや破損したイメージから画像を分類する際のアウト・オブ・ディストリビューション(OOD)予測挙動について検討する。 我々は、トレーニングセットにおいて、最も近い隣人と同じラベルで分類されたOOD入力の分数を計算するため、新しい測度、最も近いカテゴリ一般化(NCG)を導入する。 我々は、OODデータがロバストネス半径よりも遥かに遠くにある場合でも、ロバストネットワークは自然訓練よりも一貫してNCG精度が高いことを発見した。
  論文  参考訳（メタデータ） (2020-11-17T07:42:27Z)

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。