論文の概要: Approximating Network Centrality Measures Using Node Embedding and Machine Learning

• arxiv url: http://arxiv.org/abs/2006.16392v4
• Date: Sun, 1 Nov 2020 19:32:15 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-15 15:34:41.430405
• Title: Approximating Network Centrality Measures Using Node Embedding and Machine Learning
• Title（参考訳）: ノード埋め込みと機械学習によるネットワーク中心性対策の近似
• Authors: Matheus R. F. Mendon\c{c}a, Andr\'e M. S. Barreto, and Artur Ziviani
• Abstract要約: 本稿では,ニューラルネットワークとグラフ埋め込み技術を用いて,大規模ネットワークにおけるノード中心性を効率的に近似する手法を提案する。 提案手法は,グラフ埋め込み (NCA-GE) を用いたネットワーク中央性近似 (Network Centrality Approximation) と題され,グラフの隣接行列と各ノードの機能セットを用いる。 NCA-GEは、グラフのエッジの集合である$O(|E|)$, $E$の時間複雑性を持ち、大きなネットワークに適している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Extracting information from real-world large networks is a key challenge nowadays. For instance, computing a node centrality may become unfeasible depending on the intended centrality due to its computational cost. One solution is to develop fast methods capable of approximating network centralities. Here, we propose an approach for efficiently approximating node centralities for large networks using Neural Networks and Graph Embedding techniques. Our proposed model, entitled Network Centrality Approximation using Graph Embedding (NCA-GE), uses the adjacency matrix of a graph and a set of features for each node (here, we use only the degree) as input and computes the approximate desired centrality rank for every node. NCA-GE has a time complexity of $O(|E|)$, $E$ being the set of edges of a graph, making it suitable for large networks. NCA-GE also trains pretty fast, requiring only a set of a thousand small synthetic scale-free graphs (ranging from 100 to 1000 nodes each), and it works well for different node centralities, network sizes, and topologies. Finally, we compare our approach to the state-of-the-art method that approximates centrality ranks using the degree and eigenvector centralities as input, where we show that the NCA-GE outperforms the former in a variety of scenarios.
• Abstract（参考訳）: 近年、現実世界の大規模ネットワークから情報を抽出することが重要な課題となっている。 例えば、ノードの中央性を計算することは、計算コストのために意図された中央性によっては不可能になる可能性がある。 一つの解決策は、ネットワーク中心性を近似できる高速な手法を開発することである。 本稿では,ニューラルネットワークとグラフ埋め込み手法を用いて,大規模ネットワークのノード集中度を効率的に近似する手法を提案する。 提案手法は,グラフ埋め込みを用いたネットワーク中心性近似 (nca-ge) であり,グラフの隣接行列と各ノードの特徴の組 (ここでは次数のみを使用する) を入力とし,各ノードの所望の中央性ランクを計算する。 NCA-GEは、グラフのエッジの集合である$O(|E|)$, $E$の時間複雑性を持ち、大きなネットワークに適している。 nca-geは、非常に高速にトレーニングでき、1000個の小さなスケールフリーグラフ(それぞれ100から1000ノード)しか必要とせず、異なるノードの中央、ネットワークサイズ、トポロジーでうまく機能する。 最後に, NCA-GE は, 様々なシナリオにおいて, 偏心度と固有ベクトル中心度を用いて, 偏心度を近似する最先端手法との比較を行った。

関連論文リスト

• Ensemble Quadratic Assignment Network for Graph Matching [52.20001802006391]
  グラフマッチングはコンピュータビジョンやパターン認識において一般的に用いられる技法である。 最近のデータ駆動型アプローチは、グラフマッチングの精度を著しく改善した。 データ駆動手法と従来の手法の利点を組み合わせたグラフニューラルネットワーク(GNN)に基づくアプローチを提案する。
  論文  参考訳（メタデータ） (2024-03-11T06:34:05Z)
• GNN-LoFI: a Novel Graph Neural Network through Localized Feature-based Histogram Intersection [51.608147732998994]
  グラフニューラルネットワークは、グラフベースの機械学習の選択フレームワークになりつつある。 本稿では,古典的メッセージパッシングに代えて,ノード特徴の局所分布を解析するグラフニューラルネットワークアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2024-01-17T13:04:23Z)
• NodeFormer: A Scalable Graph Structure Learning Transformer for Node Classification [70.51126383984555]
  本稿では,任意のノード間のノード信号を効率的に伝搬する全ペアメッセージパッシング方式を提案する。 効率的な計算は、カーナライズされたGumbel-Softmax演算子によって実現される。 グラフ上のノード分類を含む様々なタスクにおいて,本手法の有望な有効性を示す実験を行った。
  論文  参考訳（メタデータ） (2023-06-14T09:21:15Z)
• EGRC-Net: Embedding-induced Graph Refinement Clustering Network [66.44293190793294]
  埋め込みによるグラフリファインメントクラスタリングネットワーク (EGRC-Net) という新しいグラフクラスタリングネットワークを提案する。 EGRC-Netは学習した埋め込みを利用して初期グラフを適応的に洗練し、クラスタリング性能を向上させる。 提案手法はいくつかの最先端手法より一貫して優れている。
  論文  参考訳（メタデータ） (2022-11-19T09:08:43Z)
• 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)
• Position-based Hash Embeddings For Scaling Graph Neural Networks [8.87527266373087]
  グラフニューラルネットワーク(GNN)は、ノードのエゴネットワークのトポロジとエゴネットワークのノードの特徴を考慮したノード表現を演算する。 ノードが高品質な機能を持っていない場合、GNNはノードの埋め込みを計算するために埋め込み層を学び、それらを入力機能として使用する。 この埋め込みレイヤに関連するメモリを削減するため、NLPやレコメンダシステムのようなアプリケーションで一般的に使用されるハッシュベースのアプローチが利用可能である。 本稿では,グラフ内のノードの位置を利用して,必要なメモリを大幅に削減する手法を提案する。
  論文  参考訳（メタデータ） (2021-08-31T22:42:25Z)
• Large-Scale Network Embedding in Apache Spark [1.3769786711365102]
  本稿では,Apache Sparkを用いた大規模グラフへのネットワーク埋め込みのための効率的かつ効率的な分散アルゴリズムを提案する。 提案手法は数時間で数十億のエッジを持つグラフを処理でき、最先端のアプローチよりも少なくとも4倍高速であることを示す。
  論文  参考訳（メタデータ） (2021-06-20T04:42:24Z)
• A QUBO formulation for top-$\tau$ eigencentrality nodes [0.0]
  本稿では,ネットワークの固有ベクトルから得られるスコアでネットワークのノードの重要度をランク付けする,固有分散性問題の解決の基礎を定めている。 この問題は、量子アーキテクチャの両方で解ける2次非制約バイナリ最適化(QUBO)として再構成される。 その結果、D-Wave と IBM の量子コンピュータ上でのネットワーク内の最高固有中央性ノードを最大$tau$で識別する問題のQUBO定式化のスパースベクトル解によって与えられる多数のネットワークにおいて、与えられた最も重要なノードの数を正確に特定することに焦点を当てた。
  論文  参考訳（メタデータ） (2021-05-01T05:35:44Z)
• 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)
• EdgeNets:Edge Varying Graph Neural Networks [179.99395949679547]
  本稿では、EdgeNetの概念を通じて、最先端グラフニューラルネットワーク(GNN)を統一する一般的なフレームワークを提案する。 EdgeNetはGNNアーキテクチャであり、異なるノードが異なるパラメータを使って異なる隣人の情報を測定することができる。 これは、ノードが実行でき、既存のグラフ畳み込みニューラルネットワーク(GCNN)とグラフアテンションネットワーク(GAT)の1つの定式化の下で包含できる一般的な線形で局所的な操作である。
  論文  参考訳（メタデータ） (2020-01-21T15:51:17Z)

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。