論文の概要: Multi-level Graph Convolutional Networks for Cross-platform Anchor Link Prediction

• arxiv url: http://arxiv.org/abs/2006.01963v1
• Date: Tue, 2 Jun 2020 22:01:27 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-26 01:13:36.678887
• Title: Multi-level Graph Convolutional Networks for Cross-platform Anchor Link Prediction
• Title（参考訳）: クロスプラットフォームアンカーリンク予測のための多レベルグラフ畳み込みネットワーク
• Authors: Hongxu Chen, Hongzhi Yin, Xiangguo Sun, Tong Chen, Bogdan Gabrys and Katarzyna Musial
• Abstract要約: クロスプラットフォームのアカウントマッチングは、ソーシャルネットワークの分析において重要な役割を果たす。 本稿では,ローカルネットワーク構造とハイパーグラフ構造の両方において,マルチレベルグラフの畳み込みを考慮した新しいフレームワークを提案する。 提案手法は,既存の作業におけるデータ不足を克服し,必ずしもユーザ人口統計情報に依存しない。
• 参考スコア（独自算出の注目度）: 47.047999403900775
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Cross-platform account matching plays a significant role in social network analytics, and is beneficial for a wide range of applications. However, existing methods either heavily rely on high-quality user generated content (including user profiles) or suffer from data insufficiency problem if only focusing on network topology, which brings researchers into an insoluble dilemma of model selection. In this paper, to address this problem, we propose a novel framework that considers multi-level graph convolutions on both local network structure and hypergraph structure in a unified manner. The proposed method overcomes data insufficiency problem of existing work and does not necessarily rely on user demographic information. Moreover, to adapt the proposed method to be capable of handling large-scale social networks, we propose a two-phase space reconciliation mechanism to align the embedding spaces in both network partitioning based parallel training and account matching across different social networks. Extensive experiments have been conducted on two large-scale real-life social networks. The experimental results demonstrate that the proposed method outperforms the state-of-the-art models with a big margin.
• Abstract（参考訳）: クロスプラットフォームのアカウントマッチングは、ソーシャルネットワークの分析において重要な役割を果たす。 しかし、既存の手法は高品質なユーザー生成コンテンツ(ユーザプロファイルを含む)に大きく依存するか、ネットワークトポロジのみに注目するとデータ不足に陥り、モデル選択の不溶性ジレンマが発生する。 本稿では,この問題を解決するために,局所ネットワーク構造とハイパーグラフ構造の両方のマルチレベルグラフ畳み込みを統一的に考える新しい枠組みを提案する。 提案手法は既存の作業におけるデータ不足を克服し,必ずしもユーザ人口統計情報に依存しない。 さらに,提案手法を大規模ソーシャルネットワークを扱えるように適応させるため,ネットワーク分割に基づく並列トレーニングと,異なるソーシャルネットワーク間のアカウントマッチングの両方において,埋め込み空間を整合させる2相空間整合機構を提案する。 2つの大規模実生活ソーシャルネットワークで大規模な実験が行われた。 実験の結果,提案手法は最先端モデルよりも大きなマージンを有することがわかった。

関連論文リスト

• GFN: A graph feedforward network for resolution-invariant reduced operator learning in multifidelity applications [0.0]
  本研究は,多忠実度アプリケーションのための新しい分解能不変モデルオーダー削減戦略を提案する。 我々はこの研究で開発された新しいニューラルネットワーク層、グラフフィードフォワードネットワークに基づいてアーキテクチャを構築した。 パラメトリックな偏微分方程式に対する自己エンコーダに基づく還元戦略において,異なるメッシュサイズでのトレーニングとテストの能力を利用する。
  論文  参考訳（メタデータ） (2024-06-05T18:31:37Z)
• Sifting out communities in large sparse networks [2.666294200266662]
  大規模ネットワークにおけるクラスタリングの結果の質を定量化するための直感的な客観的関数を導入する。 この領域に特に適したコミュニティを特定するために,2段階の手法を用いる。 数万のノードからなる大規模ネットワークにおける複雑な遺伝的相互作用を同定する。
  論文  参考訳（メタデータ） (2024-05-01T18:57:41Z)
• Revisiting Generative Adversarial Networks for Binary Semantic Segmentation on Imbalanced Datasets [20.538287907723713]
  異常き裂領域検出は典型的なバイナリセマンティックセグメンテーションタスクであり、アルゴリズムによって舗装面画像上のひび割れを表す画素を自動的に検出することを目的としている。 既存のディープラーニングベースの手法は、特定の公共舗装のデータセットで優れた結果を得たが、不均衡なデータセットでは性能が劇的に低下する。 画素レベルの異常き裂領域検出タスクに対して,条件付き生成逆ネットワーク(cGAN)に基づくディープラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-02-03T19:24:40Z)
• 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)
• Joint Inference of Diffusion and Structure in Partially Observed Social Networks Using Coupled Matrix Factorization [3.399624105745357]
  本稿では、部分的に観測されたデータからモデルを学び、観測されていない拡散と構造ネットワークを推定する。 提案手法では,ノードとカスケードプロセスの相互関係を,学習因子と低次元潜在因子を用いて利用した。 これらの合成および実世界のデータセットの実験により、提案手法は見えない社会行動を検出し、リンクを予測し、潜伏した特徴を識別することに成功した。
  論文  参考訳（メタデータ） (2020-10-03T17:48:57Z)
• A Multi-Semantic Metapath Model for Large Scale Heterogeneous Network Representation Learning [52.83948119677194]
  大規模不均一表現学習のためのマルチセマンティックメタパス(MSM)モデルを提案する。 具体的には,マルチセマンティックなメタパスに基づくランダムウォークを生成し,不均衡な分布を扱うヘテロジニアスな近傍を構築する。 提案するフレームワークに対して,AmazonとAlibabaの2つの挑戦的なデータセットに対して,体系的な評価を行う。
  論文  参考訳（メタデータ） (2020-07-19T22:50:20Z)
• On Robustness and Transferability of Convolutional Neural Networks [147.71743081671508]
  現代の深層畳み込みネットワーク(CNN)は、分散シフトの下で一般化しないとしてしばしば批判される。 現代画像分類CNNにおける分布外と転送性能の相互作用を初めて検討した。 トレーニングセットとモデルサイズを増大させることで、分散シフトロバスト性が著しく向上することがわかった。
  論文  参考訳（メタデータ） (2020-07-16T18:39:04Z)
• ReMarNet: Conjoint Relation and Margin Learning for Small-Sample Image Classification [49.87503122462432]
  ReMarNet(Relation-and-Margin Learning Network)と呼ばれるニューラルネットワークを導入する。 本手法は,上記2つの分類機構の双方において優れた性能を発揮する特徴を学習するために,異なるバックボーンの2つのネットワークを組み立てる。 4つの画像データセットを用いた実験により,本手法はラベル付きサンプルの小さな集合から識別的特徴を学習するのに有効であることが示された。
  論文  参考訳（メタデータ） (2020-06-27T13:50:20Z)
• Fitting the Search Space of Weight-sharing NAS with Graph Convolutional Networks [100.14670789581811]
  サンプルサブネットワークの性能に適合するグラフ畳み込みネットワークを訓練する。 この戦略により、選択された候補集合において、より高いランク相関係数が得られる。
  論文  参考訳（メタデータ） (2020-04-17T19:12:39Z)

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。