論文の概要: Network Comparison with Interpretable Contrastive Network Representation Learning

• arxiv url: http://arxiv.org/abs/2005.12419v2
• Date: Tue, 15 Feb 2022 16:13:54 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-29 05:47:38.177250
• Title: Network Comparison with Interpretable Contrastive Network Representation Learning
• Title（参考訳）: 解釈可能なコントラストネットワーク表現学習とネットワーク比較
• Authors: Takanori Fujiwara, Jian Zhao, Francine Chen, Yaoliang Yu, Kwan-Liu Ma
• Abstract要約: コントラストネットワーク表現学習(cNRL)と呼ばれる新しい分析手法を導入する。 cNRLは、ネットワークノードを低次元の表現に埋め込み、あるネットワークが他に比べてユニークであることを明らかにする。 複数のネットワークモデルと実世界のデータセットとのネットワーク比較におけるi-cNRLの有効性を示す。
• 参考スコア（独自算出の注目度）: 44.145644586950574
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Identifying unique characteristics in a network through comparison with another network is an essential network analysis task. For example, with networks of protein interactions obtained from normal and cancer tissues, we can discover unique types of interactions in cancer tissues. This analysis task could be greatly assisted by contrastive learning, which is an emerging analysis approach to discover salient patterns in one dataset relative to another. However, existing contrastive learning methods cannot be directly applied to networks as they are designed only for high-dimensional data analysis. To address this problem, we introduce a new analysis approach called contrastive network representation learning (cNRL). By integrating two machine learning schemes, network representation learning and contrastive learning, cNRL enables embedding of network nodes into a low-dimensional representation that reveals the uniqueness of one network compared to another. Within this approach, we also design a method, named i-cNRL, which offers interpretability in the learned results, allowing for understanding which specific patterns are only found in one network. We demonstrate the effectiveness of i-cNRL for network comparison with multiple network models and real-world datasets. Furthermore, we compare i-cNRL and other potential cNRL algorithm designs through quantitative and qualitative evaluations.
• Abstract（参考訳）: ネットワーク内の特徴を他のネットワークと比較することで識別することは重要なネットワーク分析タスクである。 例えば、正常組織および癌組織から得られるタンパク質相互作用のネットワークにより、がん組織における特異な種類の相互作用を見出すことができる。 この分析タスクは、あるデータセット内の他のデータセットに対するサルエントパターンを発見するための新たな分析アプローチであるコントラスト学習によって大いに助けられる可能性がある。 しかし,既存のコントラスト学習手法は,高次元データ解析のためにのみ設計されているため,ネットワークに直接適用することはできない。 この問題に対処するために,コントラッシブネットワーク表現学習(cNRL)と呼ばれる新しい分析手法を導入する。 ネットワーク表現学習とコントラスト学習の2つの機械学習スキームを統合することにより、cNRLはネットワークノードを低次元表現に埋め込み、一方のネットワークの特異性を他方と比較する。 提案手法では,i-cNRLという手法も設計し,学習結果の解釈可能性を提供し,特定のパターンが1つのネットワークにのみ現れるかを理解する。 複数のネットワークモデルと実世界のデータセットとのネットワーク比較におけるi-cNRLの有効性を示す。 さらに,i-cNRLおよび他の潜在的なcNRLアルゴリズムの設計を定量的および定性評価により比較した。

関連論文リスト

• Data-driven emergence of convolutional structure in neural networks [83.4920717252233]
  識別タスクを解くニューラルネットワークが、入力から直接畳み込み構造を学習できることを示す。 データモデルを慎重に設計することにより、このパターンの出現は、入力の非ガウス的、高次局所構造によって引き起こされることを示す。
  論文  参考訳（メタデータ） (2022-02-01T17:11:13Z)
• Self-Ensembling GAN for Cross-Domain Semantic Segmentation [107.27377745720243]
  本稿では,セマンティックセグメンテーションのためのクロスドメインデータを利用した自己理解型生成逆数ネットワーク(SE-GAN)を提案する。 SE-GANでは、教師ネットワークと学生ネットワークは、意味分節マップを生成するための自己組織化モデルを構成する。 その単純さにもかかわらず、SE-GANは敵の訓練性能を大幅に向上させ、モデルの安定性を高めることができる。
  論文  参考訳（メタデータ） (2021-12-15T09:50:25Z)
• Network Representation Learning: From Preprocessing, Feature Extraction to Node Embedding [9.844802841686105]
  ネットワーク表現学習(NRL)は、ソーシャルネットワーク、知識グラフ、複雑なバイオメディカルおよび物理情報ネットワークの従来のグラフマイニングを進歩させる。 本稿では,同種ネットワーク上でのネットワーク表現学習における設計原理と異なるノード埋め込み手法について概説する。
  論文  参考訳（メタデータ） (2021-10-14T17:46:37Z)
• Characterizing Learning Dynamics of Deep Neural Networks via Complex Networks [1.0869257688521987]
  複素ネットワーク理論(CNT)は、ディープニューラルネットワーク(DNN)を重み付きグラフとして表現し、それらを動的システムとして研究する。 ノード/ニューロンとレイヤ、すなわちNodes StrengthとLayers Fluctuationのメトリクスを紹介します。 本フレームワークは,学習力学のトレンドを抽出し,高精度ネットワークから低次ネットワークを分離する。
  論文  参考訳（メタデータ） (2021-10-06T10:03:32Z)
• Interpretable Network Representation Learning with Principal Component Analysis [1.2183405753834557]
  ネットワーク評価データのサンプルに対する解釈可能なネットワーク表現学習の問題点を考察する。 ネットワークサンプルの統計的に意味のある低次元表現を識別するためのPCANアルゴリズムを提案する。 高速サンプリングに基づくアルゴリズム sPCAN を導入し,計算効率は比較的高いが,解釈可能性の利点を享受している。
  論文  参考訳（メタデータ） (2021-06-27T13:52:49Z)
• What can linearized neural networks actually say about generalization? [67.83999394554621]
  ある無限大のニューラルネットワークにおいて、ニューラル・タンジェント・カーネル(NTK)理論は一般化を完全に特徴づける。 線形近似は、ニューラルネットワークの特定のタスクの学習複雑性を確実にランク付けできることを示す。 我々の研究は、将来の理論的研究を刺激する新しい深層学習現象の具体例を提供する。
  論文  参考訳（メタデータ） (2021-06-12T13:05:11Z)
• Anomaly Detection on Attributed Networks via Contrastive Self-Supervised Learning [50.24174211654775]
  本論文では,アトリビュートネットワーク上の異常検出のためのコントラスト型自己監視学習フレームワークを提案する。 このフレームワークは、新しいタイプのコントラストインスタンスペアをサンプリングすることで、ネットワークデータからのローカル情報を完全に活用します。 高次元特性と局所構造から情報埋め込みを学習するグラフニューラルネットワークに基づくコントラスト学習モデルを提案する。
  論文  参考訳（メタデータ） (2021-02-27T03:17:20Z)
• Learning low-rank latent mesoscale structures in networks [1.1470070927586016]
  ネットワークにおける低ランクメソスケール構造を記述するための新しい手法を提案する。 いくつかの合成ネットワークモデルと経験的友情、協調、タンパク質-タンパク質相互作用(PPI)ネットワークを使用します。 破損したネットワークから直接学習する潜在モチーフのみを用いて、破損したネットワークを認知する方法を示す。
  論文  参考訳（メタデータ） (2021-02-13T18:54:49Z)
• Learning Connectivity of Neural Networks from a Topological Perspective [80.35103711638548]
  本稿では,ネットワークを解析のための完全なグラフに表現するためのトポロジ的視点を提案する。 接続の規模を反映したエッジに学習可能なパラメータを割り当てることにより、学習プロセスを異なる方法で行うことができる。 この学習プロセスは既存のネットワークと互換性があり、より大きな検索空間と異なるタスクへの適応性を持っている。
  論文  参考訳（メタデータ） (2020-08-19T04:53:31Z)
• A Visual Analytics Framework for Contrastive Network Analysis [29.5857145677982]
  ネットワークのユニークな特徴を発見するためのビジュアル分析フレームワークであるContraNAを設計する。 ContraNAは、あるネットワークが他のネットワークと比較してユニークであることを明らかにする低次元の埋め込みを生成する。 実世界のデータセットを用いた2つのケーススタディでContraNAの有用性を実証する。
  論文  参考訳（メタデータ） (2020-08-01T02:18:10Z)

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。