論文の概要: MultiVERSE: a multiplex and multiplex-heterogeneous network embedding
approach
- arxiv url: http://arxiv.org/abs/2008.10085v2
- Date: Tue, 5 Jan 2021 10:20:34 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-26 03:20:22.699898
- Title: MultiVERSE: a multiplex and multiplex-heterogeneous network embedding
approach
- Title（参考訳）: MultiVERSE:多重・多重異種ネットワーク埋め込み手法
- Authors: L\'eo Pio-Lopez, Alberto Valdeolivas, Laurent Tichit, \'Elisabeth
Remy, Ana\"is Baudot
- Abstract要約: MultiVERSEは、マルチプレックスおよびマルチプレックスヘテロジニアスネットワークからノード埋め込みを学習する高速でスケーラブルな方法である。
生体およびソーシャルネットワーク上でMultiVERSEを評価し,その効率性を実証した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Network embedding approaches are gaining momentum to analyse a large variety
of networks. Indeed, these approaches have demonstrated their efficiency for
tasks such as community detection, node classification, and link prediction.
However, very few network embedding methods have been specifically designed to
handle multiplex networks, i.e. networks composed of different layers sharing
the same set of nodes but having different types of edges. Moreover, to our
knowledge, existing approaches cannot embed multiple nodes from
multiplex-heterogeneous networks, i.e. networks composed of several layers
containing both different types of nodes and edges. In this study, we propose
MultiVERSE, an extension of the VERSE method with Random Walks with Restart on
Multiplex (RWR-M) and Multiplex-Heterogeneous (RWR-MH) networks. MultiVERSE is
a fast and scalable method to learn node embeddings from multiplex and
multiplex-heterogeneous networks. We evaluate MultiVERSE on several biological
and social networks and demonstrate its efficiency. MultiVERSE indeed
outperforms most of the other methods in the tasks of link prediction and
network reconstruction for multiplex network embedding, and is also efficient
in the task of link prediction for multiplex-heterogeneous network embedding.
Finally, we apply MultiVERSE to study rare disease-gene associations using link
prediction and clustering. MultiVERSE is freely available on github at
https://github.com/Lpiol/MultiVERSE.
- Abstract（参考訳）: ネットワーク埋め込みアプローチは、様々なネットワークを分析するために勢いを増している。
実際、これらのアプローチは、コミュニティ検出、ノード分類、リンク予測といったタスクの効率を実証している。
しかし、ネットワークの埋め込み方法は特に複数のネットワークを扱うように設計されているものはほとんどなく、異なるタイプのエッジを持つ異なる層で構成されている。
さらに,既存の手法では,複数のノードを多重ヘテロゲネスネットワーク,すなわち異なる種類のノードとエッジを含む複数のレイヤからなるネットワークから,複数のノードを組み込むことはできない。
本研究では,RWR-M(Restart on Multiplex)とRWR-MH(Multiplex-Heterogeneous)ネットワークを用いたVERSE法の拡張であるMultipleVERSEを提案する。
MultiVERSEは、マルチプレックスとマルチプレックスヘテロジニアスネットワークからノード埋め込みを学習する高速でスケーラブルな方法である。
生体およびソーシャルネットワーク上でMultiVERSEを評価し,その効率性を実証した。
実際、MultiVERSEは多重ネットワーク埋め込みにおけるリンク予測やネットワーク再構築のタスクにおいて他の手法よりも優れており、多重ネットワーク埋め込みにおけるリンク予測のタスクにおいても効率的である。
最後に,MultiVERSEをリンク予測とクラスタリングを用いた稀な疾患遺伝子関連の研究に適用する。
MultiVERSEはgithubのhttps://github.com/Lpiol/MultiVERSEで無料で利用できる。
関連論文リスト
- Multi-view Multi-label Anomaly Network Traffic Classification based on
MLP-Mixer Neural Network [55.21501819988941]
畳み込みニューラルネットワーク(CNN)に基づく既存のネットワークトラフィック分類は、グローバルな情報関連を無視しながら、トラフィックデータの局所的なパターンを強調することが多い。
本稿では,エンドツーエンドのネットワークトラフィック分類手法を提案する。
論文 参考訳（メタデータ） (2022-10-30T01:52:05Z) - Multiplex Heterogeneous Graph Convolutional Network [25.494590588212542]
異種ネットワーク埋め込みのための多重異種グラフ畳み込みネットワーク(MHGCN)を提案する。
我々のMHGCNは、多重異種ネットワークにおいて、異なる長さの有用な異種メタパス相互作用を自動的に学習することができる。
論文 参考訳（メタデータ） (2022-08-12T06:17:54Z) - Community detection in multiplex networks based on orthogonal
nonnegative matrix tri-factorization [26.53951886710295]
我々は,各層に共通するコミュニティと,各層に固有のコミュニティを識別する,新しい多重化コミュニティ検出手法を導入する。
提案アルゴリズムは, 合成および実多重化の両方で評価し, 最先端技術と比較した。
論文 参考訳（メタデータ） (2022-05-02T02:33:15Z) - Deep Partial Multiplex Network Embedding [31.38701393977151]
不完全なデータを扱うための新しいDeep partial Multiplex Network Embeddingアプローチを提案する。
特に、自己エンコーダニューラルネットワークによる深部再構成損失を最小化することにより、ネットワーク埋め込みを学習する。
4つの多重ベンチマークの実験は、いくつかの最先端手法よりも提案手法の優れた性能を示す。
論文 参考訳（メタデータ） (2022-03-05T04:46:44Z) - Pay Attention to Relations: Multi-embeddings for Attributed Multiplex
Networks [0.0]
RAHMeNは、属性付き異種多重ネットワークのための新しい統合型関係認識組込みフレームワークである。
本モデルでは,ノード属性,モチーフに基づく特徴,関係性に基づくGCNアプローチ,ノードの埋め込みを学習するための関係性自己アテンションが組み込まれている。
我々は,Amazon,Twitter,YouTube,Tio PPIの4つの実世界のデータセットを,トランスダクティブおよびインダクティブの両方で評価した。
論文 参考訳（メタデータ） (2022-03-03T18:31:29Z) - Gated recurrent units and temporal convolutional network for multilabel
classification [122.84638446560663]
本研究は,マルチラベル分類を管理するための新しいアンサンブル手法を提案する。
提案手法のコアは,Adamグラデーション最適化アプローチの変種で訓練された,ゲート再帰単位と時間畳み込みニューラルネットワークの組み合わせである。
論文 参考訳（メタデータ） (2021-10-09T00:00:16Z) - Universal Multilayer Network Exploration by Random Walk with Restart [0.0]
MultiXrankはPythonパッケージで、あらゆる種類のマルチレイヤネットワーク上でRandom Walk with Restartを可能にする。
我々は,MultiXrankがヒト遺伝疾患の文脈において,教師なしノード優先順位付けや教師なし分類にどのように利用できるかを示す。
論文 参考訳（メタデータ） (2021-07-09T17:33:45Z) - MixMo: Mixing Multiple Inputs for Multiple Outputs via Deep Subnetworks [97.08677678499075]
マルチインプットマルチアウトプットディープワークを学ぶための新しいフレームワークであるMixMoを紹介します。
機能、特にCutMixのパッチによるバイナリの混合は、ワークをより強く、より多様なものにすることによって、結果を向上します。
実装が容易で、推論にコストがかかることに加えて、我々のモデルはよりコストの高いデータ拡張深層アンサンブルよりも優れています。
論文 参考訳（メタデータ） (2021-03-10T15:31:02Z) - A Multi-Semantic Metapath Model for Large Scale Heterogeneous Network
Representation Learning [52.83948119677194]
大規模不均一表現学習のためのマルチセマンティックメタパス(MSM)モデルを提案する。
具体的には,マルチセマンティックなメタパスに基づくランダムウォークを生成し,不均衡な分布を扱うヘテロジニアスな近傍を構築する。
提案するフレームワークに対して,AmazonとAlibabaの2つの挑戦的なデータセットに対して,体系的な評価を行う。
論文 参考訳（メタデータ） (2020-07-19T22:50:20Z) - Detecting Communities in Heterogeneous Multi-Relational Networks:A
Message Passing based Approach [89.19237792558687]
コミュニティは、ソーシャルネットワーク、生物学的ネットワーク、コンピュータおよび情報ネットワークを含むネットワークの共通の特徴である。
我々は,全同種ネットワークのコミュニティを同時に検出する効率的なメッセージパッシングに基づくアルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-04-06T17:36:24Z) - Unpaired Multi-modal Segmentation via Knowledge Distillation [77.39798870702174]
本稿では,不対向画像分割のための新しい学習手法を提案する。
提案手法では,CTおよびMRI間での畳み込みカーネルの共有により,ネットワークパラメータを多用する。
我々は2つの多クラスセグメンテーション問題に対するアプローチを広範囲に検証した。
論文 参考訳（メタデータ） (2020-01-06T20:03:17Z)
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。