論文の概要: A Visual Analytics Framework for Contrastive Network Analysis
- arxiv url: http://arxiv.org/abs/2008.00151v2
- Date: Mon, 17 Aug 2020 01:46:51 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-04 01:12:57.203198
- Title: A Visual Analytics Framework for Contrastive Network Analysis
- Title（参考訳）: コントラストネットワーク分析のためのビジュアル分析フレームワーク
- Authors: Takanori Fujiwara, Jian Zhao, Francine Chen, Kwan-Liu Ma
- Abstract要約: ネットワークのユニークな特徴を発見するためのビジュアル分析フレームワークであるContraNAを設計する。
ContraNAは、あるネットワークが他のネットワークと比較してユニークであることを明らかにする低次元の埋め込みを生成する。
実世界のデータセットを用いた2つのケーススタディでContraNAの有用性を実証する。
- 参考スコア（独自算出の注目度）: 29.5857145677982
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: A common network analysis task is comparison of two networks to identify
unique characteristics in one network with respect to the other. For example,
when comparing protein interaction networks derived from normal and cancer
tissues, one essential task is to discover protein-protein interactions unique
to cancer tissues. However, this task is challenging when the networks contain
complex structural (and semantic) relations. To address this problem, we design
ContraNA, a visual analytics framework leveraging both the power of machine
learning for uncovering unique characteristics in networks and also the
effectiveness of visualization for understanding such uniqueness. The basis of
ContraNA is cNRL, which integrates two machine learning schemes, network
representation learning (NRL) and contrastive learning (CL), to generate a
low-dimensional embedding that reveals the uniqueness of one network when
compared to another. ContraNA provides an interactive visualization interface
to help analyze the uniqueness by relating embedding results and network
structures as well as explaining the learned features by cNRL. We demonstrate
the usefulness of ContraNA with two case studies using real-world datasets. We
also evaluate through a controlled user study with 12 participants on network
comparison tasks. The results show that participants were able to both
effectively identify unique characteristics from complex networks and interpret
the results obtained from cNRL.
- Abstract（参考訳）: 共通ネットワーク分析タスクは、2つのネットワークの比較であり、一方のネットワークが他方に対してユニークな特徴を識別する。
例えば、正常組織と癌組織に由来するタンパク質相互作用ネットワークを比較する場合、必須の課題は癌組織に特有のタンパク質とタンパク質の相互作用を発見することである。
しかし、ネットワークが複雑な構造的(および意味的)関係を持つ場合、このタスクは困難である。
この問題を解決するために,ネットワークのユニークな特徴を明らかにするための機械学習のパワーと,その特異性を理解するための可視化の有効性の両方を活用したビジュアル分析フレームワークcontranaを設計した。
contranaの基礎はcnrlであり、ネットワーク表現学習(nrl)とコントラスト学習(cl)という2つの機械学習スキームを統合し、あるネットワークが他と比較して一意性を示す低次元埋め込みを生成する。
ContraNAはインタラクティブな可視化インターフェースを提供し、埋め込み結果とネットワーク構造を関連付け、cNRLで学習した特徴を説明することで、ユニークさを分析する。
実世界のデータセットを用いた2つのケーススタディでContraNAの有用性を示す。
また,ネットワーク比較タスクの参加者12名を対象に,制御型ユーザスタディによる評価を行った。
その結果, 参加者は複雑なネットワークから特徴を効果的に同定し, cNRLの結果を解釈することができた。
関連論文リスト
- Object-based Probabilistic Similarity Evidence of Sparse Latent Features
from Fully Convolutional Networks [0.0]
ニューラルネットワークを用いた類似性分析は、様々な領域の複雑なパターンを理解し分類するための強力な手法として登場した。
本研究は,完全畳み込みネットワーク(FCN)が生み出す潜伏情報の類似性解析における利用について検討する。
論文 参考訳（メタデータ） (2023-07-25T16:15:29Z) - Visual Analytics of Multivariate Networks with Representation Learning and Composite Variable Construction [19.265502727154473]
本稿では,多変量ネットワーク研究のための視覚解析ワークフローを提案する。
それは、データを分類するニューラルネットワークベースの学習フェーズ、次元の削減と最適化フェーズ、ユーザが実行する解釈フェーズで構成される。
ニューラルネットワークから得られる非線形特徴を直感的に解釈できる線形特徴にモデル化する複合変数構築ステップが,我々の設計の鍵となる。
論文 参考訳（メタデータ） (2023-03-16T18:31:18Z) - Privacy-Preserving Representation Learning for Text-Attributed Networks
with Simplicial Complexes [24.82096971322501]
simplicial Complex (RT4SC) のためのテキスト属性を用いた学習ネットワーク表現について, simplicial Neural Network (SNN) を用いて検討する。
SNNの表現出力に対する2つの潜在的攻撃について検討する。
本稿では,SNNからセキュアな表現出力を学習するための乗算器のプライバシー保護決定性差分的個人交互方向法について検討する。
論文 参考訳（メタデータ） (2023-02-09T00:32:06Z) - Data-driven emergence of convolutional structure in neural networks [83.4920717252233]
識別タスクを解くニューラルネットワークが、入力から直接畳み込み構造を学習できることを示す。
データモデルを慎重に設計することにより、このパターンの出現は、入力の非ガウス的、高次局所構造によって引き起こされることを示す。
論文 参考訳（メタデータ） (2022-02-01T17:11:13Z) - Learning distinct features helps, provably [98.78384185493624]
最小二乗損失で訓練された2層ニューラルネットワークによって学習された特徴の多様性について検討する。
隠蔽層の特徴間の平均的な$L$-distanceで多様性を測定する。
論文 参考訳（メタデータ） (2021-06-10T19:14:45Z) - Anomaly Detection on Attributed Networks via Contrastive Self-Supervised
Learning [50.24174211654775]
本論文では,アトリビュートネットワーク上の異常検出のためのコントラスト型自己監視学習フレームワークを提案する。
このフレームワークは、新しいタイプのコントラストインスタンスペアをサンプリングすることで、ネットワークデータからのローカル情報を完全に活用します。
高次元特性と局所構造から情報埋め込みを学習するグラフニューラルネットワークに基づくコントラスト学習モデルを提案する。
論文 参考訳（メタデータ） (2021-02-27T03:17:20Z) - Learning low-rank latent mesoscale structures in networks [1.1470070927586016]
ネットワークにおける低ランクメソスケール構造を記述するための新しい手法を提案する。
いくつかの合成ネットワークモデルと経験的友情、協調、タンパク質-タンパク質相互作用(PPI)ネットワークを使用します。
破損したネットワークから直接学習する潜在モチーフのみを用いて、破損したネットワークを認知する方法を示す。
論文 参考訳（メタデータ） (2021-02-13T18:54:49Z) - Understanding the Role of Individual Units in a Deep Neural Network [85.23117441162772]
本稿では,画像分類と画像生成ネットワーク内の隠れ単位を系統的に同定する分析フレームワークを提案する。
まず、シーン分類に基づいて訓練された畳み込みニューラルネットワーク(CNN)を分析し、多様なオブジェクト概念にマッチするユニットを発見する。
第2に、シーンを生成するために訓練されたGANモデルについて、同様の分析手法を用いて分析する。
論文 参考訳（メタデータ） (2020-09-10T17:59:10Z) - Learning Connectivity of Neural Networks from a Topological Perspective [80.35103711638548]
本稿では,ネットワークを解析のための完全なグラフに表現するためのトポロジ的視点を提案する。
接続の規模を反映したエッジに学習可能なパラメータを割り当てることにより、学習プロセスを異なる方法で行うことができる。
この学習プロセスは既存のネットワークと互換性があり、より大きな検索空間と異なるタスクへの適応性を持っている。
論文 参考訳（メタデータ） (2020-08-19T04:53:31Z) - Network Comparison with Interpretable Contrastive Network Representation
Learning [44.145644586950574]
コントラストネットワーク表現学習(cNRL)と呼ばれる新しい分析手法を導入する。
cNRLは、ネットワークノードを低次元の表現に埋め込み、あるネットワークが他に比べてユニークであることを明らかにする。
複数のネットワークモデルと実世界のデータセットとのネットワーク比較におけるi-cNRLの有効性を示す。
論文 参考訳（メタデータ） (2020-05-25T21:46:59Z)
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。