論文の概要: node2coords: Graph Representation Learning with Wasserstein Barycenters

• arxiv url: http://arxiv.org/abs/2007.16056v2
• Date: Sun, 3 Jan 2021 18:17:47 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-04 06:04:42.672908
• Title: node2coords: Graph Representation Learning with Wasserstein Barycenters
• Title（参考訳）: node2coords: Wasserstein Barycentersによるグラフ表現学習
• Authors: Effrosyni Simou, Dorina Thanou and Pascal Frossard
• Abstract要約: グラフの表現学習アルゴリズムである node2coords を導入する。 低次元空間を同時に学習し、その空間内のノードを座標する。 実験の結果,node2coordで学習した表現は解釈可能であることがわかった。
• 参考スコア（独自算出の注目度）: 59.07120857271367
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In order to perform network analysis tasks, representations that capture the most relevant information in the graph structure are needed. However, existing methods do not learn representations that can be interpreted in a straightforward way and that are robust to perturbations to the graph structure. In this work, we address these two limitations by proposing node2coords, a representation learning algorithm for graphs, which learns simultaneously a low-dimensional space and coordinates for the nodes in that space. The patterns that span the low dimensional space reveal the graph's most important structural information. The coordinates of the nodes reveal the proximity of their local structure to the graph structural patterns. In order to measure this proximity by taking into account the underlying graph, we propose to use Wasserstein distances. We introduce an autoencoder that employs a linear layer in the encoder and a novel Wasserstein barycentric layer at the decoder. Node connectivity descriptors, that capture the local structure of the nodes, are passed through the encoder to learn the small set of graph structural patterns. In the decoder, the node connectivity descriptors are reconstructed as Wasserstein barycenters of the graph structural patterns. The optimal weights for the barycenter representation of a node's connectivity descriptor correspond to the coordinates of that node in the low-dimensional space. Experimental results demonstrate that the representations learned with node2coords are interpretable, lead to node embeddings that are stable to perturbations of the graph structure and achieve competitive or superior results compared to state-of-the-art methods in node classification.
• Abstract（参考訳）: ネットワーク分析タスクを実行するには、グラフ構造において最も関連する情報をキャプチャする表現が必要である。 しかし、既存の手法は、単純な方法で解釈でき、グラフ構造への摂動に頑健な表現を学習しない。 本研究では,低次元空間を同時に学習し,その空間内のノードを座標するグラフ表現学習アルゴリズムである node2coords を提案することによって,これらの2つの制約に対処する。 低次元空間にまたがるパターンは、グラフの最も重要な構造情報を明らかにする。 ノードの座標は、その局所構造がグラフ構造パターンに近接していることを明らかにする。 基礎となるグラフを考慮し、この近接度を測定するために、ワッサーシュタイン距離を用いることを提案する。 本稿では,エンコーダの線形層を用いたオートエンコーダと,デコーダの新たなwasserstein barycentric layerを提案する。 ノードのローカル構造をキャプチャするノード接続記述子は、エンコーダを通過して、グラフ構造パターンの小さなセットを学ぶ。 デコーダでは、ノード接続記述子は、グラフ構造パターンのwasserstein barycenterとして再構成される。 ノードの接続記述子のバリ中心表現の最適重みは、低次元空間におけるそのノードの座標に対応する。 実験の結果,ノード2座標で学習した表現は解釈可能であることが示され,グラフ構造の摂動に安定であり,ノード分類における最先端手法と比較して,競合的あるいは優れた結果が得られる。

関連論文リスト

• Recovering Missing Node Features with Local Structure-based Embeddings [34.79801041888119]
  グラフの集合に対して、完全に欠落したノード機能を復元するフレームワークを提案する。 我々のアプローチは、グラフトポロジーと既存の結節値の両方からの事前情報を取り入れている。
  論文  参考訳（メタデータ） (2023-09-16T18:23:14Z)
• PA-GM: Position-Aware Learning of Embedding Networks for Deep Graph Matching [14.713628231555223]
  本稿では,線形代入問題を高次元空間にマッピングできる新しいエンドツーエンドニューラルネットワークを提案する。 我々のモデルは、ノードの相対的な位置に対するアンカーセットを構成する。 そして、相対位置の尺度に基づいて、ターゲットノードと各アンカーノードの特徴情報を集約する。
  論文  参考訳（メタデータ） (2023-01-05T06:54:21Z)
• Local Graph Embeddings Based on Neighbors Degree Frequency of Nodes [0.0]
  本稿では,ノードの特定の局所的特徴とベクトル表現を定義することによって,グラフ機械学習とネットワーク解析の戦略を提案する。 Breath-First Search を通じてノードの次数の概念を拡張することにより、bf 中心関数の一般族が定義される。 これらの局所的な特徴に深層学習を適用することで、中心性と近接性を学ぶことができることを示す。
  論文  参考訳（メタデータ） (2022-07-30T07:07:30Z)
• LiftPool: Lifting-based Graph Pooling for Hierarchical Graph Representation Learning [53.176603566951016]
  階層グラフ表現を改善するために,リフトプール (LiftPool) と呼ばれるリフトによる3段階法を提案する。 各ノードを削除するために、そのローカル情報は、隣接する保存ノードから集約されたグローバル情報を減らして得られる。 ベンチマークグラフデータセットの評価では、LiftPoolはグラフ分類のタスクにおいて最先端のグラフプーリング手法を大幅に上回っている。
  論文  参考訳（メタデータ） (2022-04-27T12:38:02Z)
• Learning Sparse Graphs with a Core-periphery Structure [14.112444998191698]
  本稿では,コア周辺構造ネットワークに関連するデータ生成モデルを提案する。 ネットワークのコア部分における密接な(疎い)接続を誘導するスパースグラフとニューダルコアスコアを推論する。
  論文  参考訳（メタデータ） (2021-10-08T10:41:30Z)
• Reasoning Graph Networks for Kinship Verification: from Star-shaped to Hierarchical [85.0376670244522]
  階層型推論グラフネットワークの学習による顔の親和性検証の問題点について検討する。 より強力で柔軟なキャパシティを利用するために,星型推論グラフネットワーク(S-RGN)を開発した。 また、より強力で柔軟なキャパシティを利用する階層型推論グラフネットワーク(H-RGN)も開発しています。
  論文  参考訳（メタデータ） (2021-09-06T03:16:56Z)
• COLOGNE: Coordinated Local Graph Neighborhood Sampling [1.6498361958317633]
  グラフノードのような個別の未順序オブジェクトを実数値ベクトルで置き換えることは、グラフデータから学ぶための多くのアプローチの中心である。 ノードベクトル表現の座標がグラフノードであるような離散ノード埋め込みを学習する問題に対処する。 これにより、ノードにもともと存在するすべての属性が保存されているため、グラフの解釈可能な機械学習アルゴリズムを設計する扉が開く。
  論文  参考訳（メタデータ） (2021-02-09T11:39:06Z)
• 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)
• Graph Pooling with Node Proximity for Hierarchical Representation Learning [80.62181998314547]
  本稿では,ノード近接を利用したグラフプーリング手法を提案し,そのマルチホップトポロジを用いたグラフデータの階層的表現学習を改善する。 その結果,提案したグラフプーリング戦略は,公開グラフ分類ベンチマークデータセットの集合において,最先端のパフォーマンスを達成できることが示唆された。
  論文  参考訳（メタデータ） (2020-06-19T13:09:44Z)
• Graph Inference Learning for Semi-supervised Classification [50.55765399527556]
  半教師付きノード分類の性能を高めるためのグラフ推論学習フレームワークを提案する。 推論過程の学習には,トレーニングノードから検証ノードへの構造関係のメタ最適化を導入する。 4つのベンチマークデータセットの総合的な評価は、最先端の手法と比較して提案したGILの優位性を示している。
  論文  参考訳（メタデータ） (2020-01-17T02:52:30Z)

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。