論文の概要: Unsupervised Differentiable Multi-aspect Network Embedding
- arxiv url: http://arxiv.org/abs/2006.04239v3
- Date: Tue, 7 Jul 2020 16:47:06 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-24 07:55:24.483069
- Title: Unsupervised Differentiable Multi-aspect Network Embedding
- Title（参考訳）: 教師なし微分可能マルチアスペクトネットワーク埋め込み
- Authors: Chanyoung Park, Carl Yang, Qi Zhu, Donghyun Kim, Hwanjo Yu, Jiawei Han
- Abstract要約: 本稿では,asp2vecと呼ばれるマルチアスペクトネットワーク埋め込みのための新しいエンドツーエンドフレームワークを提案する。
提案するフレームワークは容易に異種ネットワークに拡張できる。
- 参考スコア（独自算出の注目度）: 52.981277420394846
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Network embedding is an influential graph mining technique for representing
nodes in a graph as distributed vectors. However, the majority of network
embedding methods focus on learning a single vector representation for each
node, which has been recently criticized for not being capable of modeling
multiple aspects of a node. To capture the multiple aspects of each node,
existing studies mainly rely on offline graph clustering performed prior to the
actual embedding, which results in the cluster membership of each node (i.e.,
node aspect distribution) fixed throughout training of the embedding model. We
argue that this not only makes each node always have the same aspect
distribution regardless of its dynamic context, but also hinders the end-to-end
training of the model that eventually leads to the final embedding quality
largely dependent on the clustering. In this paper, we propose a novel
end-to-end framework for multi-aspect network embedding, called asp2vec, in
which the aspects of each node are dynamically assigned based on its local
context. More precisely, among multiple aspects, we dynamically assign a single
aspect to each node based on its current context, and our aspect selection
module is end-to-end differentiable via the Gumbel-Softmax trick. We also
introduce the aspect regularization framework to capture the interactions among
the multiple aspects in terms of relatedness and diversity. We further
demonstrate that our proposed framework can be readily extended to
heterogeneous networks. Extensive experiments towards various downstream tasks
on various types of homogeneous networks and a heterogeneous network
demonstrate the superiority of asp2vec.
- Abstract（参考訳）: ネットワーク埋め込みは、グラフ内のノードを分散ベクトルとして表現するための影響のあるグラフマイニング手法である。
しかし、ネットワーク埋め込み手法の大部分は、ノード毎に単一のベクトル表現を学習することに集中しており、ノードの複数の側面をモデル化できないと批判されている。
各ノードの複数の側面をキャプチャするために、既存の研究は主に実際の埋め込みに先立って行われたオフライングラフクラスタリングに依存しており、埋め込みモデルのトレーニングを通して固定された各ノード(すなわちノードのアスペクト分布)のクラスタメンバシップをもたらす。
これは各ノードが動的コンテキストに関わらず常に同じアスペクト分布を持つだけでなく、最終的な埋め込み品質をクラスタリングに大きく依存させるようなモデルのエンドツーエンドのトレーニングを妨げている、と我々は主張する。
本稿では,各ノードのアスペクトを局所的コンテキストに基づいて動的に割り当てる,asp2vecと呼ばれる,マルチアスペクトネットワーク埋め込みのための新しいエンドツーエンドフレームワークを提案する。
より正確には、複数の側面のうち、1つのアスペクトを現在のコンテキストに基づいて動的に各ノードに割り当て、アスペクト選択モジュールはgumbel-softmaxトリックによってエンドツーエンドで微分可能である。
また、複数の側面間の相互作用を関連性や多様性の観点から捉えるためのアスペクト正規化フレームワークも導入する。
さらに,提案するフレームワークが異種ネットワークに容易に拡張可能であることを示す。
各種均質ネットワークおよび異質ネットワークにおける各種下流タスクに対する広範囲な実験は、asp2vecの優位性を示している。
関連論文リスト
- Degree-based stratification of nodes in Graph Neural Networks [66.17149106033126]
グラフニューラルネットワーク(GNN)アーキテクチャを変更して,各グループのノードに対して,重み行列を個別に学習する。
このシンプルな実装変更により、データセットとGNNメソッドのパフォーマンスが改善されているようだ。
論文 参考訳（メタデータ） (2023-12-16T14:09:23Z) - KMF: Knowledge-Aware Multi-Faceted Representation Learning for Zero-Shot
Node Classification [75.95647590619929]
Zero-Shot Node Classification (ZNC)は、グラフデータ分析において、新しく重要なタスクである。
ラベルセマンティクスの豊かさを向上する知識認識型多面的フレームワーク(KMF)を提案する。
ノード情報集約によるプロトタイプドリフトの問題を軽減するために,新しい幾何学的制約を開発した。
論文 参考訳（メタデータ） (2023-08-15T02:38:08Z) - Deep Embedded Clustering with Distribution Consistency Preservation for
Attributed Networks [15.895606627146291]
本研究では,属性ネットワークに対するエンドツーエンドの深層クラスタリングモデルを提案する。
グラフオートエンコーダとノード属性オートエンコーダを使用して、ノード表現とクラスタ割り当てをそれぞれ学習する。
提案手法は, 最先端手法と比較して, 性能が著しく向上する。
論文 参考訳（メタデータ） (2022-05-28T02:35:34Z) - Pay Attention to Relations: Multi-embeddings for Attributed Multiplex
Networks [0.0]
RAHMeNは、属性付き異種多重ネットワークのための新しい統合型関係認識組込みフレームワークである。
本モデルでは,ノード属性,モチーフに基づく特徴,関係性に基づくGCNアプローチ,ノードの埋め込みを学習するための関係性自己アテンションが組み込まれている。
我々は,Amazon,Twitter,YouTube,Tio PPIの4つの実世界のデータセットを,トランスダクティブおよびインダクティブの両方で評価した。
論文 参考訳（メタデータ） (2022-03-03T18:31:29Z) - Block Dense Weighted Networks with Augmented Degree Correction [1.2031796234206138]
本稿では,接続パターンの異なる重み付きネットワークの生成と推定を行う新しいフレームワークを提案する。
提案したモデルは,個々のノード特性をノードを接続するエッジにマッピングする関数の特定のクラスに依存している。
また,複数のデータセットを収集できない状況において,同一の頂点上で新たなネットワークを生成するブートストラップ手法を開発した。
論文 参考訳（メタデータ） (2021-05-26T01:25:07Z) - Reinforced Neighborhood Selection Guided Multi-Relational Graph Neural
Networks [68.9026534589483]
RioGNNはReinforceed, recursive, flexible neighborhood selection guided multi-relational Graph Neural Network architectureである。
RioGNNは、各関係の個々の重要性の認識により、説明性を高めた差別的なノード埋め込みを学ぶことができる。
論文 参考訳（メタデータ） (2021-04-16T04:30:06Z) - Clustering multilayer graphs with missing nodes [4.007017852999008]
クラスタリングはネットワーク分析における基本的な問題であり、同じ接続プロファイルを持つノードを再グループ化するのが目標である。
異なるノードセット上でレイヤを定義できる新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2021-03-04T18:56:59Z) - Multiplex Bipartite Network Embedding using Dual Hypergraph
Convolutional Networks [16.62391694987056]
非監視のデュアルグラフ畳み込みネットワーク(DualHGCN)モデルを開発し、マルチプレックスバイパートネットワークを2組の均質ハイパーグラフに変換します。
リンク予測とノード分類タスクの4つの実世界のデータセットを用いてDualHGCNをベンチマークする。
論文 参考訳（メタデータ） (2021-02-12T07:20:36Z) - Dynamic Graph: Learning Instance-aware Connectivity for Neural Networks [78.65792427542672]
動的グラフネットワーク(DG-Net)は完全な有向非巡回グラフであり、ノードは畳み込みブロックを表し、エッジは接続経路を表す。
ネットワークの同じパスを使用する代わりに、DG-Netは各ノードの機能を動的に集約する。
論文 参考訳（メタデータ） (2020-10-02T16:50:26Z) - Graph Prototypical Networks for Few-shot Learning on Attributed Networks [72.31180045017835]
グラフメタ学習フレームワーク - Graph Prototypeal Networks (GPN) を提案する。
GPNは、属性付きネットワーク上でテキストミータ学習を行い、ターゲット分類タスクを扱うための高度に一般化可能なモデルを導出する。
論文 参考訳（メタデータ） (2020-06-23T04:13:23Z)
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。