論文の概要: Persona2vec: A Flexible Multi-role Representations Learning Framework for Graphs

• arxiv url: http://arxiv.org/abs/2006.04941v2
• Date: Wed, 21 Oct 2020 14:05:31 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-25 09:50:51.157137
• Title: Persona2vec: A Flexible Multi-role Representations Learning Framework for Graphs
• Title（参考訳）: Persona2vec: グラフのための柔軟なマルチロール表現学習フレームワーク
• Authors: Jisung Yoon, Kai-Cheng Yang, Woo-Sung Jung, and Yong-Yeol Ahn
• Abstract要約: persona2vecはグラフ埋め込みフレームワークで、構造的コンテキストに基づいてノードの複数の表現を効率的に学習する。 我々は、我々のフレームワークが既存の最先端モデルよりもはるかに高速であり、優れたパフォーマンスを実現していることを示す。
• 参考スコア（独自算出の注目度）: 4.133483293243257
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graph embedding techniques, which learn low-dimensional representations of a graph, are achieving state-of-the-art performance in many graph mining tasks. Most existing embedding algorithms assign a single vector to each node, implicitly assuming that a single representation is enough to capture all characteristics of the node. However, across many domains, it is common to observe pervasively overlapping community structure, where most nodes belong to multiple communities, playing different roles depending on the contexts. Here, we propose persona2vec, a graph embedding framework that efficiently learns multiple representations of nodes based on their structural contexts. Using link prediction-based evaluation, we show that our framework is significantly faster than the existing state-of-the-art model while achieving better performance.
• Abstract（参考訳）: グラフの低次元表現を学ぶグラフ埋め込み技術は、多くのグラフマイニングタスクで最先端のパフォーマンスを達成している。 既存の埋め込みアルゴリズムは各ノードに1つのベクトルを割り当て、単一の表現がノードの全ての特性を捉えるのに十分であると暗黙的に仮定する。 しかし、多くの領域において、ほとんどのノードが複数のコミュニティに属し、コンテキストによって異なる役割を担っている、広く重複するコミュニティ構造を観察することが一般的である。 本稿では,ノードの複数の表現を効率的に学習するグラフ埋め込みフレームワークであるpersona2vecを提案する。 リンク予測に基づく評価を用いて,既存の最先端モデルよりも大幅に高速であり,性能も向上していることを示す。

関連論文リスト

• Graph-level representations using ensemble-based readout functions [3.630365560970225]
  グラフ機械学習モデルは、さまざまなアプリケーション領域にうまくデプロイされている。 最も顕著なモデルの1つ、グラフニューラルネットワーク(GNN)は、表現力のあるノードレベルの表現ベクトルを抽出するエレガントな方法を提供する。 我々は,表現と予測を組み合わせたアンサンブルに基づく読み出し関数の概念を導入する。
  論文  参考訳（メタデータ） (2023-03-03T15:43:14Z)
• A Robust Stacking Framework for Training Deep Graph Models with Multifaceted Node Features [61.92791503017341]
  数値ノード特徴とグラフ構造を入力とするグラフニューラルネットワーク(GNN)は,グラフデータを用いた各種教師付き学習タスクにおいて,優れた性能を示した。 IID(non-graph)データをGNNに簡単に組み込むことはできない。 本稿では、グラフ認識の伝播をIDデータに意図した任意のモデルで融合するロバストな積み重ねフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-06-16T22:46:33Z)
• A Multi-purposed Unsupervised Framework for Comparing Embeddings of Undirected and Directed Graphs [0.0]
  筆者らが最近導入したグラフ埋め込み評価フレームワークを拡張した。 適切な埋め込みは、基礎となるグラフトポロジと構造、ノード間関係、その他の関連する情報をキャプチャする必要がある。 フレームワークは柔軟でスケーラブルで、非指向/指向/重み付き/非重み付きグラフを扱うことができる。
  論文  参考訳（メタデータ） (2021-11-30T20:20:30Z)
• Inferential SIR-GN: Scalable Graph Representation Learning [0.4699313647907615]
  グラフ表現学習法は、ネットワーク内のノードの数値ベクトル表現を生成する。 本研究では,ランダムグラフ上で事前学習されたモデルであるInferential SIR-GNを提案し,ノード表現を高速に計算する。 このモデルではノードの構造的役割情報を捉えることができ、ノードやグラフの分類タスクにおいて、目に見えないネットワーク上で優れた性能を示すことができる。
  論文  参考訳（メタデータ） (2021-11-08T20:56:37Z)
• Edge but not Least: Cross-View Graph Pooling [76.71497833616024]
  本稿では,重要なグラフ構造情報を活用するために,クロスビューグラフプーリング(Co-Pooling)手法を提案する。 クロスビュー相互作用、エッジビュープーリング、ノードビュープーリングにより、相互にシームレスに強化され、より情報的なグラフレベルの表現が学習される。
  論文  参考訳（メタデータ） (2021-09-24T08:01:23Z)
• Temporal Graph Network Embedding with Causal Anonymous Walks Representations [54.05212871508062]
  本稿では,時間グラフネットワークに基づく動的ネットワーク表現学習のための新しいアプローチを提案する。 評価のために、時間的ネットワーク埋め込みの評価のためのベンチマークパイプラインを提供する。 欧州の大手銀行が提供した実世界のダウンストリームグラフ機械学習タスクにおいて、我々のモデルの適用性と優れた性能を示す。
  論文  参考訳（メタデータ） (2021-08-19T15:39:52Z)
• Accurate Learning of Graph Representations with Graph Multiset Pooling [45.72542969364438]
  本稿では,その構造的依存関係に応じてノード間の相互作用をキャプチャするグラフマルチセットトランス (GMT) を提案する。 実験の結果,GMTはグラフ分類ベンチマークにおいて,最先端のグラフプーリング法を著しく上回っていることがわかった。
  論文  参考訳（メタデータ） (2021-02-23T07:45:58Z)
• Modeling Graph Structure via Relative Position for Text Generation from Knowledge Graphs [54.176285420428776]
  グラフ-テキスト生成のための新しいトランスフォーマーベースのエンコーダデコーダアーキテクチャであるGraformerを提案する。 新たなグラフの自己アテンションでは、ノードのエンコーディングは入力グラフのすべてのノードに依存します。 グレーフォーマーは、これらのノード-ノードの関係を異なるアテンションヘッドに対して異なる重み付けを学習し、入力グラフの異なる連結ビューを仮想的に学習する。
  論文  参考訳（メタデータ） (2020-06-16T15:20:04Z)
• Unsupervised Differentiable Multi-aspect Network Embedding [52.981277420394846]
  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。
  論文  参考訳（メタデータ） (2020-06-07T19:26:20Z)
• Graph Neural Networks with Composite Kernels [60.81504431653264]
  カーネル重み付けの観点からノード集約を再解釈する。 本稿では,アグリゲーション方式における特徴類似性を考慮したフレームワークを提案する。 特徴空間における特徴類似性をエンコードするために,元の隣り合うカーネルと学習可能なカーネルの合成として特徴集約を提案する。
  論文  参考訳（メタデータ） (2020-05-16T04:44:29Z)
• Dual Graph Representation Learning [20.03747654879028]
  グラフ表現学習は、ノードを低次元ベクトルとして大きなグラフに埋め込む。 我々は、ノードの表現を生成するために、コンテキスト対応の教師なし二重符号化フレームワーク textbfCADE を提案する。
  論文  参考訳（メタデータ） (2020-02-25T04:50:17Z)

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。