論文の概要: Next Waves in Veridical Network Embedding

• arxiv url: http://arxiv.org/abs/2007.05385v2
• Date: Fri, 13 Aug 2021 00:25:15 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-11 21:31:37.070231
• Title: Next Waves in Veridical Network Embedding
• Title（参考訳）: 検証ネットワーク埋め込みの次の波
• Authors: Owen G. Ward, Zhen Huang, Andrew Davison, Tian Zheng
• Abstract要約: 本稿では,ネットワーク埋め込みアルゴリズムの枠組みを提案し,予測可能性,計算可能性,安定性の原理がどのように適用されるかについて議論する。 ネットワーク埋め込みにおけるこのフレームワークの利用は、将来の研究へのモチベーションと新たな方向性を示す可能性を秘めている。
• 参考スコア（独自算出の注目度）: 4.544287346584366
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Embedding nodes of a large network into a metric (e.g., Euclidean) space has become an area of active research in statistical machine learning, which has found applications in natural and social sciences. Generally, a representation of a network object is learned in a Euclidean geometry and is then used for subsequent tasks regarding the nodes and/or edges of the network, such as community detection, node classification and link prediction. Network embedding algorithms have been proposed in multiple disciplines, often with domain-specific notations and details. In addition, different measures and tools have been adopted to evaluate and compare the methods proposed under different settings, often dependent of the downstream tasks. As a result, it is challenging to study these algorithms in the literature systematically. Motivated by the recently proposed Veridical Data Science (VDS) framework, we propose a framework for network embedding algorithms and discuss how the principles of predictability, computability and stability apply in this context. The utilization of this framework in network embedding holds the potential to motivate and point to new directions for future research.
• Abstract（参考訳）: 大規模ネットワークのノードを計量(例えばユークリッド)空間に埋め込むことは、統計機械学習における活発な研究領域となり、自然科学や社会科学に応用されている。 一般に、ネットワークオブジェクトの表現はユークリッド幾何学で学習され、その後、コミュニティ検出、ノード分類、リンク予測などのネットワークのノードおよび/またはエッジに関するタスクに使用される。 ネットワーク埋め込みアルゴリズムは、ドメイン固有の表記法や詳細を含む複数の分野において提案されている。 さらに、異なる設定下で提案された手法を評価・比較するために、様々な手段やツールが採用されている。 その結果,これらのアルゴリズムを体系的に研究することは困難である。 最近提案された Veridical Data Science (VDS) フレームワークに触発され,ネットワーク埋め込みアルゴリズムの枠組みを提案し,予測可能性,計算可能性,安定性の原理がこの文脈でどのように適用されるかについて議論した。 ネットワーク埋め込みにおけるこのフレームワークの利用は、将来の研究の動機付けと新たな方向性を示す可能性を秘めている。

関連論文リスト

• Enhancing Community Detection in Networks: A Comparative Analysis of Local Metrics and Hierarchical Algorithms [49.1574468325115]
  本研究は,地域間類似度指標を用いた地域検出の関連性を評価するために,同じ手法を用いている。 これらの指標の有効性は,異なるコミュニティサイズを持つ複数の実ネットワークにベースアルゴリズムを適用して評価した。
  論文  参考訳（メタデータ） (2024-08-17T02:17:09Z)
• Low-Rank Representations Towards Classification Problem of Complex Networks [0.0]
  社会的相互作用、脳活動、分子構造を表す複雑なネットワークは、それらの特性をグラフとして理解し予測するために広く研究されている。 これらのネットワークのモデルとアルゴリズムは、検索エンジンやレコメンデーターシステムのような現実のアプリケーションで使用される。 ネットワーク分類問題における実生活ネットワークの低ランク表現の性能について検討する。
  論文  参考訳（メタデータ） (2022-10-20T19:56:18Z)
• Quasi-orthogonality and intrinsic dimensions as measures of learning and generalisation [55.80128181112308]
  ニューラルネットワークの特徴空間の次元性と準直交性は、ネットワークの性能差別と共同して機能する可能性があることを示す。 本研究は, ネットワークの最終的な性能と, ランダムに初期化された特徴空間の特性との関係を示唆する。
  論文  参考訳（メタデータ） (2022-03-30T21:47:32Z)
• 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)
• Predicting Critical Nodes in Temporal Networks by Dynamic Graph Convolutional Networks [1.213512753726579]
  ネットワーク構造が時間とともに変化するため、クリティカルノードを特定することは困難である。 本稿では,特殊なGCNとRNNを組み合わせた,新しい効果的な学習フレームワークを提案する。 4つの実世界の時間ネットワークに対する実験結果から,提案手法は従来のベンチマーク法とディープラーニングベンチマーク法の両方より優れていることが示された。
  論文  参考訳（メタデータ） (2021-06-19T04:16:18Z)
• A Comprehensive Survey on Community Detection with Deep Learning [93.40332347374712]
  コミュニティは、ネットワーク内の他のコミュニティと異なるメンバーの特徴と接続を明らかにする。 この調査は、最先端の手法の様々なカテゴリをカバーする新しい分類法を考案し、提案する。 ディープニューラルネットワーク(Deep Neural Network)は、畳み込みネットワーク(convolutional network)、グラフアテンションネットワーク( graph attention network)、生成的敵ネットワーク(generative adversarial network)、オートエンコーダ(autoencoder)に分けられる。
  論文  参考訳（メタデータ） (2021-05-26T14:37:07Z)
• Fusing the Old with the New: Learning Relative Camera Pose with Geometry-Guided Uncertainty [91.0564497403256]
  本稿では,ネットワークトレーニング中の2つの予測系間の確率的融合を含む新しい枠組みを提案する。 本ネットワークは,異なる対応間の強い相互作用を強制することにより学習を駆動する自己追跡グラフニューラルネットワークを特徴とする。 学習に適したモーションパーマリゼーションを提案し、難易度の高いDeMoNおよびScanNetデータセットで最新のパフォーマンスを達成できることを示します。
  論文  参考訳（メタデータ） (2021-04-16T17:59:06Z)
• A Survey of Community Detection Approaches: From Statistical Modeling to Deep Learning [95.27249880156256]
  ネットワークコミュニティファイリング手法の統一アーキテクチャを開発し,提案する。 既存の手法を確率的グラフィカルモデルとディープラーニングという2つのカテゴリに分けた新しい分類法を提案する。 フィールドの課題の議論と今後の研究の方向性の提案を締めくくります。
  論文  参考訳（メタデータ） (2021-01-03T02:32:45Z)
• Developing Constrained Neural Units Over Time [81.19349325749037]
  本稿では,既存のアプローチと異なるニューラルネットワークの定義方法に焦点をあてる。 ニューラルネットワークの構造は、データとの相互作用にも拡張される制約の特別なクラスによって定義される。 提案した理論は時間領域にキャストされ, データを順序づけられた方法でネットワークに提示する。
  論文  参考訳（メタデータ） (2020-09-01T09:07:25Z)

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。