論文の概要: OFFER: A Motif Dimensional Framework for Network Representation Learning
- arxiv url: http://arxiv.org/abs/2008.12010v1
- Date: Thu, 27 Aug 2020 09:27:31 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-24 08:38:11.292835
- Title: OFFER: A Motif Dimensional Framework for Network Representation Learning
- Title(参考訳): OFFER:ネットワーク表現学習のためのモチーフ次元フレームワーク
- Authors: Shuo Yu, Feng Xia, Jin Xu, Zhikui Chen and Ivan Lee
- Abstract要約: グラフ学習の有効性はOFFERによって改善できる。
ネットワークモチーフの次元からアクセラレーション手順を適用する。
4つの人気のあるネットワーク表現アルゴリズムを修正・検討する。
- 参考スコア(独自算出の注目度): 19.99388134351001
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Aiming at better representing multivariate relationships, this paper
investigates a motif dimensional framework for higher-order graph learning. The
graph learning effectiveness can be improved through OFFER. The proposed
framework mainly aims at accelerating and improving higher-order graph learning
results. We apply the acceleration procedure from the dimensional of network
motifs. Specifically, the refined degree for nodes and edges are conducted in
two stages: (1) employ motif degree of nodes to refine the adjacency matrix of
the network; and (2) employ motif degree of edges to refine the transition
probability matrix in the learning process. In order to assess the efficiency
of the proposed framework, four popular network representation algorithms are
modified and examined. By evaluating the performance of OFFER, both link
prediction results and clustering results demonstrate that the graph
representation learning algorithms enhanced with OFFER consistently outperform
the original algorithms with higher efficiency.
- Abstract(参考訳): 本稿では,多変量関係をよりよく表現することを目指して,高次グラフ学習のためのモチーフ次元フレームワークについて検討する。
グラフ学習の有効性はOFFERによって改善できる。
提案フレームワークは主に高次グラフ学習の高速化と改善を目的としている。
ネットワークモチーフの次元から加速度法を適用する。
具体的には、ノードとエッジの洗練度を、(1)ネットワークの隣接行列を洗練させるためにノードのモチーフ度、(2)学習過程における遷移確率行列を洗練するためにエッジのモチーフ度を用いて2段階に分けて行う。
提案手法の効率性を評価するため、4つの一般的なネットワーク表現アルゴリズムを修正・検討した。
提案の性能を評価することにより、リンク予測結果とクラスタリング結果の両方が、拡張されたグラフ表現学習アルゴリズムが、元のアルゴリズムを高い効率で一貫して上回っていることを示す。
関連論文リスト
- Amplify Graph Learning for Recommendation via Sparsity Completion [16.32861024767423]
グラフ学習モデルは、協調フィルタリング(CF)ベースのレコメンデーションシステムに広くデプロイされている。
データ疎度の問題により、元の入力のグラフ構造は潜在的な肯定的な嗜好エッジを欠いている。
AGL-SC(Amplify Graph Learning framework)を提案する。
論文 参考訳(メタデータ) (2024-06-27T08:26:20Z) - Unifews: Unified Entry-Wise Sparsification for Efficient Graph Neural Network [10.556366638048384]
グラフニューラルネットワーク(GNN)は、様々なグラフ学習タスクにおいて有望な性能を示すが、リソース集約型計算のコストがかかる。
従来の研究では,グラフレベルやネットワークレベルのスペーシフィケーション技術を活用して,計算予算の削減を試みた。
個々の行列要素を考慮したエントリワイズ方式で2つの演算を統一するUnifewsを提案する。
論文 参考訳(メタデータ) (2024-03-20T03:07:30Z) - SimTeG: A Frustratingly Simple Approach Improves Textual Graph Learning [131.04781590452308]
テキストグラフ学習におけるフラストレーションに富んだアプローチであるSimTeGを提案する。
まず、下流タスクで予め訓練されたLM上で、教師付きパラメータ効率の微調整(PEFT)を行う。
次に、微調整されたLMの最後の隠れ状態を用いてノード埋め込みを生成する。
論文 参考訳(メタデータ) (2023-08-03T07:00:04Z) - Online Network Source Optimization with Graph-Kernel MAB [62.6067511147939]
大規模ネットワークにおける最適なソース配置をオンラインで学習するためのグラフカーネルマルチアームバンディットアルゴリズムであるGrab-UCBを提案する。
適応グラフ辞書モデルを用いて,ネットワークプロセスを記述する。
我々は、ネットワークパラメータに依存する性能保証を導出し、シーケンシャルな意思決定戦略の学習曲線にさらに影響を及ぼす。
論文 参考訳(メタデータ) (2023-07-07T15:03:42Z) - A Simplified Framework for Contrastive Learning for Node Representations [2.277447144331876]
グラフにノードを埋め込むために,グラフニューラルネットワークと組み合わせてコントラスト学習を展開できる可能性を検討する。
組込み行列の単純なカラムワイド後処理により, 組込み結果の品質とトレーニング時間を大幅に改善できることを示す。
この修正により、下流の分類タスクは最大1.5%改善され、8つの異なるベンチマークのうち6つで既存の最先端のアプローチに勝っている。
論文 参考訳(メタデータ) (2023-05-01T02:04:36Z) - MGAE: Masked Autoencoders for Self-Supervised Learning on Graphs [55.66953093401889]
Masked Graph Autoencoder (MGAE) フレームワークは、グラフ構造データの効果的な学習を行う。
自己指導型学習から洞察を得て、私たちはランダムに大量のエッジを隠蔽し、トレーニング中に欠落したエッジを再構築しようとします。
論文 参考訳(メタデータ) (2022-01-07T16:48:07Z) - Bayesian Graph Contrastive Learning [55.36652660268726]
本稿では,ランダムな拡張がエンコーダにつながることを示すグラフコントラスト学習手法の新たな視点を提案する。
提案手法は,各ノードを決定論的ベクトルに埋め込む既存の手法とは対照的に,各ノードを潜在空間の分布で表現する。
いくつかのベンチマークデータセットにおける既存の最先端手法と比較して,性能が大幅に向上したことを示す。
論文 参考訳(メタデータ) (2021-12-15T01:45:32Z) - Dynamic Graph Representation Learning via Graph Transformer Networks [41.570839291138114]
動的グラフ変換器 (DGT) を用いた動的グラフ学習手法を提案する。
DGTは、グラフトポロジを効果的に学習し、暗黙のリンクをキャプチャするための時空間符号化を持つ。
DGTはいくつかの最先端のベースラインと比較して優れた性能を示す。
論文 参考訳(メタデータ) (2021-11-19T21:44:23Z) - Temporal Graph Network Embedding with Causal Anonymous Walks
Representations [54.05212871508062]
本稿では,時間グラフネットワークに基づく動的ネットワーク表現学習のための新しいアプローチを提案する。
評価のために、時間的ネットワーク埋め込みの評価のためのベンチマークパイプラインを提供する。
欧州の大手銀行が提供した実世界のダウンストリームグラフ機械学習タスクにおいて、我々のモデルの適用性と優れた性能を示す。
論文 参考訳(メタデータ) (2021-08-19T15:39:52Z) - Graph Contrastive Learning with Adaptive Augmentation [23.37786673825192]
本稿では,適応的拡張を用いた新しいグラフコントラスト表現学習法を提案する。
具体的には,ノードの集中度に基づく拡張スキームを設計し,重要な結合構造を明らかにする。
提案手法は,既存の最先端のベースラインを一貫して上回り,教師付きベースラインを超えている。
論文 参考訳(メタデータ) (2020-10-27T15:12:21Z) - Graph Ordering: Towards the Optimal by Learning [69.72656588714155]
グラフ表現学習は、ノード分類、予測、コミュニティ検出など、多くのグラフベースのアプリケーションで顕著な成功を収めている。
しかし,グラフ圧縮やエッジ分割などのグラフアプリケーションでは,グラフ表現学習タスクに還元することは極めて困難である。
本稿では,このようなアプリケーションの背後にあるグラフ順序付け問題に対して,新しい学習手法を用いて対処することを提案する。
論文 参考訳(メタデータ) (2020-01-18T09:14:16Z)
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。