論文の概要: MODEL: Motif-based Deep Feature Learning for Link Prediction

• arxiv url: http://arxiv.org/abs/2008.03637v1
• Date: Sun, 9 Aug 2020 03:39:28 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-01 04:53:55.862709
• Title: MODEL: Motif-based Deep Feature Learning for Link Prediction
• Title（参考訳）: MODEL: リンク予測のためのモチーフベースディープ特徴学習
• Authors: Lei Wang, Jing Ren, Bo Xu, Jianxin Li, Wei Luo, Feng Xia
• Abstract要約: 本稿では,ネットワークモチーフを組み込んだ新しい埋め込みアルゴリズムを提案する。 実験は、ソーシャルネットワーク、生物学的ネットワーク、学術ネットワークの3種類のネットワークで実施された。 我々のアルゴリズムは従来の類似性に基づくアルゴリズムを20%、組込み型アルゴリズムを19%上回っている。
• 参考スコア（独自算出の注目度）: 23.12527010960999
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Link prediction plays an important role in network analysis and applications. Recently, approaches for link prediction have evolved from traditional similarity-based algorithms into embedding-based algorithms. However, most existing approaches fail to exploit the fact that real-world networks are different from random networks. In particular, real-world networks are known to contain motifs, natural network building blocks reflecting the underlying network-generating processes. In this paper, we propose a novel embedding algorithm that incorporates network motifs to capture higher-order structures in the network. To evaluate its effectiveness for link prediction, experiments were conducted on three types of networks: social networks, biological networks, and academic networks. The results demonstrate that our algorithm outperforms both the traditional similarity-based algorithms by 20% and the state-of-the-art embedding-based algorithms by 19%.
• Abstract（参考訳）: リンク予測はネットワーク分析やアプリケーションにおいて重要な役割を果たす。 近年、リンク予測のアプローチは、従来の類似性に基づくアルゴリズムから埋め込みに基づくアルゴリズムへと進化している。 しかし、既存のアプローチの多くは、現実世界のネットワークがランダムなネットワークとは異なるという事実をうまく利用できない。 特に、現実世界のネットワークにはモチーフ、基盤となるネットワーク生成プロセスを反映した自然なネットワーク構築ブロックが含まれていることが知られている。 本稿では,ネットワーク内の高次構造をキャプチャするために,ネットワークモチーフを組み込んだ新しい埋め込みアルゴリズムを提案する。 リンク予測の有効性を評価するために,ソーシャルネットワーク,生物ネットワーク,学術ネットワークの3種類のネットワークを用いて実験を行った。 その結果,本アルゴリズムは従来の類似性に基づくアルゴリズムを20%,最先端の埋め込みベースアルゴリズムを19%上回った。

関連論文リスト

• A pseudo-likelihood approach to community detection in weighted networks [4.111899441919165]
  本研究では,通常分布するエッジ重みを持つネットワークに対して,擬似的なコミュニティ推定アルゴリズムを提案する。 提案手法により得られた推定値が均質ネットワークの仮定の下で一貫したものであることを証明した。 シミュレーションネットワークとfMRIデータセットで、エッジウェイトは脳領域間の接続を表現している。
  論文  参考訳（メタデータ） (2023-03-10T13:36:10Z)
• Rank Diminishing in Deep Neural Networks [71.03777954670323]
  ニューラルネットワークのランクは、層をまたがる情報を測定する。 これは機械学習の幅広い領域にまたがる重要な構造条件の例である。 しかし、ニューラルネットワークでは、低ランク構造を生み出す固有のメカニズムはあいまいで不明瞭である。
  論文  参考訳（メタデータ） (2022-06-13T12:03:32Z)
• Link Prediction with Contextualized Self-Supervision [63.25455976593081]
  リンク予測は、ネットワーク内の2つのノード間のリンクの存在を推測することを目的としている。 従来のリンク予測アルゴリズムは、リンク空間、ノード属性ノイズ、ネットワークダイナミクスという3つの大きな課題によって妨げられている。 本稿では,リンク予測のための構造的コンテキスト予測を完全に活用する,コンテキスト適応型自己監視学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-01-25T03:12:32Z)
• Understanding the network formation pattern for better link prediction [4.8334761517444855]
  多重順序局所情報(MOLI)を用いたリンク予測手法を提案する。 MOLIは、異なる距離の隣人からのローカル情報を利用しており、パラメータは事前知識に基づいて事前駆動される。 シミュレーションと実世界の11種類のネットワークにおいて,MOLIが他の11種類のリンク予測アルゴリズムよりも優れていることを示す。
  論文  参考訳（メタデータ） (2021-10-17T15:30:04Z)
• Unsupervised Domain-adaptive Hash for Networks [81.49184987430333]
  ドメイン適応型ハッシュ学習はコンピュータビジョンコミュニティでかなりの成功を収めた。 UDAHと呼ばれるネットワークのための教師なしドメイン適応型ハッシュ学習手法を開発した。
  論文  参考訳（メタデータ） (2021-08-20T12:09:38Z)
• What can linearized neural networks actually say about generalization? [67.83999394554621]
  ある無限大のニューラルネットワークにおいて、ニューラル・タンジェント・カーネル(NTK)理論は一般化を完全に特徴づける。 線形近似は、ニューラルネットワークの特定のタスクの学習複雑性を確実にランク付けできることを示す。 我々の研究は、将来の理論的研究を刺激する新しい深層学習現象の具体例を提供する。
  論文  参考訳（メタデータ） (2021-06-12T13:05:11Z)
• Learning Structures for Deep Neural Networks [99.8331363309895]
  我々は,情報理論に根ざし,計算神経科学に発達した効率的な符号化原理を採用することを提案する。 スパース符号化は出力信号のエントロピーを効果的に最大化できることを示す。 公開画像分類データセットを用いた実験により,提案アルゴリズムでスクラッチから学習した構造を用いて,最も優れた専門家設計構造に匹敵する分類精度が得られることを示した。
  論文  参考訳（メタデータ） (2021-05-27T12:27:24Z)
• DynACPD Embedding Algorithm for Prediction Tasks in Dynamic Networks [6.5361928329696335]
  本稿では,動的ネットワークのテンソル表現に対する高次テンソル分解に基づく動的ネットワークに対する新しい埋め込み手法を提案する。 リンク予測タスクにおけるアルゴリズムの性能を,現在のベースライン手法の配列と比較することにより,提案手法のパワーと効率を実証する。
  論文  参考訳（メタデータ） (2021-03-12T04:36:42Z)
• 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)
• 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)
• Modeling Dynamic Heterogeneous Network for Link Prediction using Hierarchical Attention with Temporal RNN [16.362525151483084]
  我々はDyHATRと呼ばれる新しい動的ヘテロジニアスネットワーク埋め込み法を提案する。 階層的な注意を使って異質な情報を学習し、進化パターンを捉えるために時間的注意を伴う繰り返しニューラルネットワークを組み込む。 リンク予測のための4つの実世界のデータセットに対して,本手法をベンチマークした。
  論文  参考訳（メタデータ） (2020-04-01T17:16:47Z)

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。