論文の概要: Multivariate Relations Aggregation Learning in Social Networks
- arxiv url: http://arxiv.org/abs/2008.03654v1
- Date: Sun, 9 Aug 2020 04:58:38 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-01 04:53:44.419819
- Title: Multivariate Relations Aggregation Learning in Social Networks
- Title(参考訳): ソーシャルネットワークにおける多変量関係集約学習
- Authors: Jin Xu, Shuo Yu, Ke Sun, Jing Ren, Ivan Lee, Shirui Pan, Feng Xia
- Abstract要約: ソーシャルネットワークのグラフ学習タスクでは,多変量関係情報の識別と活用がより重要である。
既存のグラフ学習手法は近隣情報拡散機構に基づいている。
本稿では,ネットワーク環境における多変量関係情報を効果的に取得できる多変量関係集約学習法を提案する。
- 参考スコア(独自算出の注目度): 39.576490107740135
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Multivariate relations are general in various types of networks, such as
biological networks, social networks, transportation networks, and academic
networks. Due to the principle of ternary closures and the trend of group
formation, the multivariate relationships in social networks are complex and
rich. Therefore, in graph learning tasks of social networks, the identification
and utilization of multivariate relationship information are more important.
Existing graph learning methods are based on the neighborhood information
diffusion mechanism, which often leads to partial omission or even lack of
multivariate relationship information, and ultimately affects the accuracy and
execution efficiency of the task. To address these challenges, this paper
proposes the multivariate relationship aggregation learning (MORE) method,
which can effectively capture the multivariate relationship information in the
network environment. By aggregating node attribute features and structural
features, MORE achieves higher accuracy and faster convergence speed. We
conducted experiments on one citation network and five social networks. The
experimental results show that the MORE model has higher accuracy than the GCN
(Graph Convolutional Network) model in node classification tasks, and can
significantly reduce time cost.
- Abstract(参考訳): 多変量関係は、生物ネットワーク、ソーシャルネットワーク、輸送ネットワーク、学術ネットワークなど、様々な種類のネットワークにおいて一般的である。
三次閉鎖の原則とグループ形成の傾向により、ソーシャルネットワークにおける多変量関係は複雑で豊かなものである。
したがって、ソーシャルネットワークのグラフ学習タスクでは、多変量関係情報の同定と活用がより重要である。
既存のグラフ学習手法は近隣情報拡散機構に基づいており、これは多くの場合、部分的欠落や多変量関係情報の欠如を招き、最終的にタスクの正確性と実行効率に影響を及ぼす。
これらの課題に対処するために,ネットワーク環境における多変量関係情報を効果的に把握できる多変量関係集約学習法(MORE)を提案する。
node属性と構造特徴を集約することで、より精度が高く、コンバージェンス速度が速くなる。
1つの引用ネットワークと5つのソーシャルネットワークで実験を行った。
実験の結果,MOREモデルはノード分類タスクにおけるGCN(Graph Convolutional Network)モデルよりも精度が高く,時間コストを大幅に削減できることがわかった。
関連論文リスト
- Online Multi-modal Root Cause Analysis [61.94987309148539]
ルート原因分析(RCA)は、マイクロサービスシステムにおける障害の根本原因の特定に不可欠である。
既存のオンラインRCAメソッドは、マルチモーダルシステムにおける複雑な相互作用を見渡す単一モーダルデータのみを処理する。
OCEANは、根本原因の局在化のための新しいオンラインマルチモーダル因果構造学習手法である。
論文 参考訳(メタデータ) (2024-10-13T21:47:36Z) - ResolvNet: A Graph Convolutional Network with multi-scale Consistency [47.98039061491647]
マルチスケール一貫性の概念を導入する。
グラフレベルでは、マルチスケールの一貫性は、異なる解像度で同じオブジェクトを記述する異なるグラフが同様の特徴ベクトルを割り当てるべきという事実を指す。
本稿では,リゾルダーの数学的概念に基づくフレキシブルグラフニューラルネットワークResolvNetを紹介する。
論文 参考訳(メタデータ) (2023-09-30T16:46:45Z) - 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) - Joint Demand Prediction for Multimodal Systems: A Multi-task
Multi-relational Spatiotemporal Graph Neural Network Approach [7.481812882780837]
本研究では,マルチモーダル需要予測のためのマルチリレーショナルグラフニューラルネットワーク(MRGNN)を提案する。
マルチリレーショナルグラフニューラルネットワーク(MRGNN)を導入し,異種空間依存性を捉える。
実験はニューヨーク市の実際のデータセットを用いて行われる。
論文 参考訳(メタデータ) (2021-12-15T12:35:35Z) - Deep Ensemble Collaborative Learning by using Knowledge-transfer Graph
for Fine-grained Object Classification [9.49864824780503]
相互学習を施したネットワークのアンサンブルのパフォーマンスは,通常のアンサンブルに比べて,相互学習なしには改善しない。
これは相互学習における知識とアンサンブルにおけるネットワークの個性の関係によるものかもしれない。
本稿では,相互学習におけるネットワーク間の多様性を促進する損失設計を導入することにより,知識伝達を用いたアンサンブル手法を提案する。
論文 参考訳(メタデータ) (2021-03-27T08:56:00Z) - Graph-Based Neural Network Models with Multiple Self-Supervised
Auxiliary Tasks [79.28094304325116]
グラフ畳み込みネットワークは、構造化されたデータポイント間の関係をキャプチャするための最も有望なアプローチである。
マルチタスク方式でグラフベースニューラルネットワークモデルを学習するための3つの新しい自己教師付き補助タスクを提案する。
論文 参考訳(メタデータ) (2020-11-14T11:09:51Z) - A game-theoretic analysis of networked system control for common-pool
resource management using multi-agent reinforcement learning [54.55119659523629]
マルチエージェント強化学習は近年,ネットワーク型システム制御へのアプローチとして大きな可能性を秘めている。
共通プールの資源は耕作可能な土地、淡水、湿地、野生生物、魚類資源、森林、大気である。
論文 参考訳(メタデータ) (2020-10-15T14:12:26Z) - 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) - Tensor Graph Convolutional Networks for Multi-relational and Robust
Learning [74.05478502080658]
本稿では,テンソルで表されるグラフの集合に関連するデータから,スケーラブルな半教師付き学習(SSL)を実現するためのテンソルグラフ畳み込みネットワーク(TGCN)を提案する。
提案アーキテクチャは、標準的なGCNと比較して大幅に性能が向上し、最先端の敵攻撃に対処し、タンパク質間相互作用ネットワーク上でのSSL性能が著しく向上する。
論文 参考訳(メタデータ) (2020-03-15T02:33:21Z)
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。