論文の概要: Integrating Network Embedding and Community Outlier Detection via
Multiclass Graph Description
- arxiv url: http://arxiv.org/abs/2007.10231v1
- Date: Mon, 20 Jul 2020 16:21:07 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-08 13:13:01.302480
- Title: Integrating Network Embedding and Community Outlier Detection via
Multiclass Graph Description
- Title（参考訳）: マルチクラスグラフ記述によるネットワーク埋め込みとコミュニティアウトレイラ検出の統合
- Authors: Sambaran Bandyopadhyay, Saley Vishal Vivek, M. N. Murty
- Abstract要約: そこで本稿では,ノード埋め込みとアウトレーヤとコミュニティ検出を統合した非教師なしグラフ埋め込み手法(DMGD)を提案する。
DMGDにより検出された外れ値の数に関する理論的境界を示す。
我々の定式化は、外れ値、コミュニティ割り当て、ノード埋め込み関数の間の興味深いミニマックスゲームに起因する。
- 参考スコア（独自算出の注目度）: 15.679313861083239
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Network (or graph) embedding is the task to map the nodes of a graph to a
lower dimensional vector space, such that it preserves the graph properties and
facilitates the downstream network mining tasks. Real world networks often come
with (community) outlier nodes, which behave differently from the regular nodes
of the community. These outlier nodes can affect the embedding of the regular
nodes, if not handled carefully. In this paper, we propose a novel unsupervised
graph embedding approach (called DMGD) which integrates outlier and community
detection with node embedding. We extend the idea of deep support vector data
description to the framework of graph embedding when there are multiple
communities present in the given network, and an outlier is characterized
relative to its community. We also show the theoretical bounds on the number of
outliers detected by DMGD. Our formulation boils down to an interesting minimax
game between the outliers, community assignments and the node embedding
function. We also propose an efficient algorithm to solve this optimization
framework. Experimental results on both synthetic and real world networks show
the merit of our approach compared to state-of-the-arts.
- Abstract（参考訳）: ネットワーク(またはグラフ)埋め込みは、グラフのノードを低次元のベクトル空間にマッピングするタスクであり、グラフの特性を保持し、下流のネットワークマイニングタスクを容易にする。
現実世界のネットワークは、しばしばコミュニティの通常のノードとは異なる振る舞いをする(コミュニティ)外れのノードを伴います。
これらの異常ノードは、慎重に扱わなければ、通常のノードの埋め込みに影響を与える可能性がある。
本稿では,非教師なしグラフ埋め込み手法(DMGD)を提案する。
本稿では,与えられたネットワーク内に複数のコミュニティが存在する場合,グラフ埋め込みの枠組みにディープサポートベクトルデータ記述の考え方を拡張し,そのコミュニティに対する外れ値の特徴を特徴付ける。
また, DMGDにより検出された外れ値の数に関する理論的境界を示す。
我々の定式化は、外れ値、コミュニティ割り当て、ノード埋め込み関数の間の興味深いミニマックスゲームに起因する。
また,この最適化フレームワークを効率的に解くアルゴリズムを提案する。
合成および実世界のネットワークにおける実験結果は,最先端技術と比較して,我々のアプローチのメリットを示している。
関連論文リスト
- Deep Manifold Graph Auto-Encoder for Attributed Graph Embedding [51.75091298017941]
本稿では,属性付きグラフデータに対する新しいDeep Manifold (Variational) Graph Auto-Encoder (DMVGAE/DMGAE)を提案する。
提案手法は,最先端のベースラインアルゴリズムを,一般的なデータセット間でのダウンストリームタスクの差を大きく越える。
論文 参考訳（メタデータ） (2024-01-12T17:57:07Z) - GraphRARE: Reinforcement Learning Enhanced Graph Neural Network with Relative Entropy [21.553180564868306]
GraphRAREはノード相対エントロピーと深層強化学習に基づいて構築されたフレームワークである。
革新的なノード相対エントロピーは、ノードペア間の相互情報を測定するために使用される。
グラフトポロジを最適化するために,深層強化学習に基づくアルゴリズムを開発した。
論文 参考訳（メタデータ） (2023-12-15T11:30:18Z) - DINE: Dimensional Interpretability of Node Embeddings [3.3040172566302206]
ノード埋め込みのようなグラフ表現学習手法は、ノードを潜在ベクトル空間にマッピングするための強力なアプローチである。
埋め込みベクトルのグローバル解釈可能性を測定する新しい指標を開発した。
次に、タスク性能を犠牲にすることなく、より解釈しやすくすることで、既存のノード埋め込みを再現できる新しいアプローチであるDINEを紹介します。
論文 参考訳（メタデータ） (2023-10-02T12:47:42Z) - Learning on Graphs with Out-of-Distribution Nodes [33.141867473074264]
グラフニューラルネットワーク(GNN)は、グラフ上で予測タスクを実行するための最先端モデルである。
この研究は、分散ノードによるグラフ学習の問題を定義する。
本稿では,異なるノード間の相互作用を明示的にモデル化する新しいGNNモデルであるOut-of-Distribution Graph Attention Network (OODGAT)を提案する。
論文 参考訳（メタデータ） (2023-08-13T08:10:23Z) - BOURNE: Bootstrapped Self-supervised Learning Framework for Unified
Graph Anomaly Detection [50.26074811655596]
自己指導型自己学習(BOURNE)に基づく新しい統合グラフ異常検出フレームワークを提案する。
ノードとエッジ間のコンテキスト埋め込みを交換することで、ノードとエッジの異常を相互に検出できる。
BOURNEは、負のサンプリングを必要としないため、大きなグラフを扱う際の効率を高めることができる。
論文 参考訳（メタデータ） (2023-07-28T00:44:57Z) - 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) - Graph Transformer GANs for Graph-Constrained House Generation [223.739067413952]
本稿では,グラフノード関係を効果的に学習するために,GTGAN(Graph Transformer Generative Adversarial Network)を提案する。
GTGANは、グラフ制約のある住宅生成タスクにおいて、エンドツーエンドで効率的なグラフノード関係を学習する。
論文 参考訳（メタデータ） (2023-03-14T20:35:45Z) - Graph Neural Networks with Feature and Structure Aware Random Walk [7.143879014059894]
典型的な好適なグラフでは、エッジを指向する可能性があり、エッジをそのまま扱うか、あるいは単純に非指向にするかは、GNNモデルの性能に大きな影響を与える。
そこで我々は,グラフの方向性を適応的に学習するモデルを開発し,ノード間の長距離相関を生かした。
論文 参考訳（メタデータ） (2021-11-19T08:54:21Z) - Detecting Communities from Heterogeneous Graphs: A Context Path-based
Graph Neural Network Model [23.525079144108567]
コンテキストパスに基づくグラフニューラルネットワーク(CP-GNN)モデルを構築した。
ノード間の高次関係をノードの埋め込みに埋め込む。
最先端のコミュニティ検出手法よりも優れています。
論文 参考訳（メタデータ） (2021-09-05T12:28:00Z) - Spectral Embedding of Graph Networks [76.27138343125985]
ローカルノードの類似性と接続性、グローバル構造をトレードオフする教師なしグラフ埋め込みを導入する。
埋め込みは一般化されたグラフ Laplacian に基づいており、固有ベクトルは1つの表現においてネットワーク構造と近傍近傍の両方をコンパクトにキャプチャする。
論文 参考訳（メタデータ） (2020-09-30T04:59:10Z) - Structural Temporal Graph Neural Networks for Anomaly Detection in
Dynamic Graphs [54.13919050090926]
本稿では,動的グラフの異常エッジを検出するために,エンドツーエンドの時間構造グラフニューラルネットワークモデルを提案する。
特に,まずターゲットエッジを中心にした$h$ホップ囲むサブグラフを抽出し,各ノードの役割を識別するノードラベル機能を提案する。
抽出した特徴に基づき,GRU(Gated Recurrent Unit)を用いて,異常検出のための時間的情報を取得する。
論文 参考訳（メタデータ） (2020-05-15T09:17:08Z)
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。