論文の概要: GloDyNE: Global Topology Preserving Dynamic Network Embedding
- arxiv url: http://arxiv.org/abs/2008.01935v4
- Date: Mon, 6 Dec 2021 03:05:41 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-02 18:46:43.417651
- Title: GloDyNE: Global Topology Preserving Dynamic Network Embedding
- Title（参考訳）: GloDyNE: 動的ネットワーク埋め込みを保存するグローバルトポロジ
- Authors: Chengbin Hou, Han Zhang, Shan He, Ke Tang
- Abstract要約: 動的ネットワーク埋め込み(DNE)は、ネットワークトポロジを各ステップで保存しながらノード埋め込みを更新することを目的としている。
本稿では,ネットワーク上の代表ノードを多様に選択する新たな手法を提案する。
実験では、少数のノードが選択されているGloDyNEが、すでに優れたパフォーマンスまたは同等のパフォーマンスを達成できることを示した。
- 参考スコア（独自算出の注目度）: 31.269883917366478
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Learning low-dimensional topological representation of a network in dynamic
environments is attracting much attention due to the time-evolving nature of
many real-world networks. The main and common objective of Dynamic Network
Embedding (DNE) is to efficiently update node embeddings while preserving
network topology at each time step. The idea of most existing DNE methods is to
capture the topological changes at or around the most affected nodes (instead
of all nodes) and accordingly update node embeddings. Unfortunately, this kind
of approximation, although can improve efficiency, cannot effectively preserve
the global topology of a dynamic network at each time step, due to not
considering the inactive sub-networks that receive accumulated topological
changes propagated via the high-order proximity. To tackle this challenge, we
propose a novel node selecting strategy to diversely select the representative
nodes over a network, which is coordinated with a new incremental learning
paradigm of Skip-Gram based embedding approach. The extensive experiments show
GloDyNE, with a small fraction of nodes being selected, can already achieve the
superior or comparable performance w.r.t. the state-of-the-art DNE methods in
three typical downstream tasks. Particularly, GloDyNE significantly outperforms
other methods in the graph reconstruction task, which demonstrates its ability
of global topology preservation. The source code is available at
https://github.com/houchengbin/GloDyNE
- Abstract（参考訳）: 動的環境におけるネットワークの低次元トポロジカル表現の学習は、多くの実世界のネットワークの時間発展性によって、多くの注目を集めている。
Dynamic Network Embedding (DNE)の主な目的は、ネットワークトポロジを各ステップで保存しながらノードの埋め込みを効率的に更新することである。
既存のdneメソッドのアイデアは、最も影響を受けるノード(すべてのノードではなく)のトポロジ的変化をキャプチャし、ノード埋め込みを更新することである。
残念ながら、このような近似は効率を向上できるが、高次近接により伝播する累積的なトポロジ的変化を受ける不活性なサブネットワークを考慮しないため、動的ネットワークのグローバルトポロジを各段階で効果的に保存することはできない。
この課題に対処するために,Skip-Gramベースの埋め込み方式の新たな漸進学習パラダイムと協調して,ネットワーク上の代表ノードを多角的に選択する新しいノード選択戦略を提案する。
大規模な実験では、GloDyNEが選択されたノード数が少ないため、3つの典型的な下流タスクにおいて、最先端のDNEメソッドや同等のパフォーマンスを実現することができる。
特にGloDyNEはグラフ再構成タスクにおいて他の手法よりも優れており、グローバルトポロジ保存の能力を示している。
ソースコードはhttps://github.com/houchengbin/GloDyNEで入手できる。
関連論文リスト
- Discovering Message Passing Hierarchies for Mesh-Based Physics Simulation [61.89682310797067]
DHMPを導入し,異なるノード選択手法を用いてメッセージパッシングネットワークの動的階層を学習する。
本実験はDHMPの有効性を実証し,近年の固定階層型メッセージパッシングネットワークと比較して平均22.7%改善した。
論文 参考訳（メタデータ） (2024-10-03T15:18:00Z) - Degree-based stratification of nodes in Graph Neural Networks [66.17149106033126]
グラフニューラルネットワーク(GNN)アーキテクチャを変更して,各グループのノードに対して,重み行列を個別に学習する。
このシンプルな実装変更により、データセットとGNNメソッドのパフォーマンスが改善されているようだ。
論文 参考訳（メタデータ） (2023-12-16T14:09:23Z) - Collaborative Graph Neural Networks for Attributed Network Embedding [63.39495932900291]
グラフニューラルネットワーク(GNN)は、属性付きネットワーク埋め込みにおいて顕著な性能を示している。
本稿では,ネットワーク埋め込みに適したGNNアーキテクチャであるCulaborative graph Neural Networks-CONNを提案する。
論文 参考訳（メタデータ） (2023-07-22T04:52:27Z) - Accelerating Dynamic Network Embedding with Billions of Parameter
Updates to Milliseconds [27.98359191399847]
本稿では,ノードごとの更新ではなく,埋め込み空間の軸を回転させ,拡張する新しい動的ネットワーク埋め込みパラダイムを提案する。
具体的には,DAMF(Dynamic Adjacency Matrix Factorization)アルゴリズムを提案する。
異なるサイズの動的グラフ上でのノード分類、リンク予測、グラフ再構成の実験は、DAMFが動的ネットワーク埋め込みを進めることを示唆している。
論文 参考訳（メタデータ） (2023-06-15T09:02:17Z) - Temporal Aggregation and Propagation Graph Neural Networks for Dynamic
Representation [67.26422477327179]
時間グラフは連続時間を通してノード間の動的相互作用を示す。
本研究では,周辺地域全体と時間的グラフ畳み込みの新たな手法を提案する。
提案するTAP-GNNは,予測性能とオンライン推論遅延の両面で,既存の時間グラフ手法よりも優れた性能を示す。
論文 参考訳（メタデータ） (2023-04-15T08:17:18Z) - 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) - DINE: A Framework for Deep Incomplete Network Embedding [33.97952453310253]
本稿では,ディープ不完全ネットワーク埋め込み,すなわちDINEを提案する。
まず、期待最大化フレームワークを用いて、部分的に観測可能なネットワーク内のノードとエッジの両方を含む欠落部分を完成させる。
マルチラベル分類およびリンク予測タスクにおいて,DINEを3つのネットワーク上で評価する。
論文 参考訳（メタデータ） (2020-08-09T04:59:35Z) - Online Dynamic Network Embedding [26.203786679460528]
本稿では,動的ネットワークを扱うためにRNNE(Recurrent Neural Network Embedding)アルゴリズムを提案する。
RNNEはネットワークの静的特性と動的特性の両方を考慮している。
RNNEを5つのネットワーク上で評価し、最先端のアルゴリズムと比較する。
論文 参考訳（メタデータ） (2020-06-30T02:21:37Z) - Policy-GNN: Aggregation Optimization for Graph Neural Networks [60.50932472042379]
グラフニューラルネットワーク(GNN)は、局所的なグラフ構造をモデル化し、隣人からの情報を集約することで階層的なパターンを捉えることを目的としている。
複雑なグラフとスパースな特徴を与えられた各ノードに対して効果的なアグリゲーション戦略を開発することは難しい課題である。
本稿では,GNNのサンプリング手順とメッセージパッシングを複合学習プロセスにモデル化するメタ政治フレームワークであるPolicy-GNNを提案する。
論文 参考訳（メタデータ） (2020-06-26T17:03:06Z)
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。