論文の概要: Decoupled Variational Embedding for Signed Directed Networks
- arxiv url: http://arxiv.org/abs/2008.12450v1
- Date: Fri, 28 Aug 2020 02:48:15 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-24 01:46:49.505893
- Title: Decoupled Variational Embedding for Signed Directed Networks
- Title（参考訳）: 符号付き指向ネットワークのための分離型変分埋め込み
- Authors: Xu Chen and Jiangchao Yao and Maosen Li and Ya zhang and Yanfeng Wang
- Abstract要約: 我々は,符号付き有向ネットワークにおける一階・高階トポロジを同時にキャプチャすることで,より代表的なノード埋め込みを学習することを提案する。
特に、可変自動符号化の観点から、符号付き有向ネットワーク上での表現学習問題を再構成する。
広範に使われている3つの実世界のデータセットに対して大規模な実験を行う。
- 参考スコア（独自算出の注目度）: 39.3449157396596
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Node representation learning for signed directed networks has received
considerable attention in many real-world applications such as link sign
prediction, node classification and node recommendation. The challenge lies in
how to adequately encode the complex topological information of the networks.
Recent studies mainly focus on preserving the first-order network topology
which indicates the closeness relationships of nodes. However, these methods
generally fail to capture the high-order topology which indicates the local
structures of nodes and serves as an essential characteristic of the network
topology. In addition, for the first-order topology, the additional value of
non-existent links is largely ignored. In this paper, we propose to learn more
representative node embeddings by simultaneously capturing the first-order and
high-order topology in signed directed networks. In particular, we reformulate
the representation learning problem on signed directed networks from a
variational auto-encoding perspective and further develop a decoupled
variational embedding (DVE) method. DVE leverages a specially designed
auto-encoder structure to capture both the first-order and high-order topology
of signed directed networks, and thus learns more representative node
embedding. Extensive experiments are conducted on three widely used real-world
datasets. Comprehensive results on both link sign prediction and node
recommendation task demonstrate the effectiveness of DVE. Qualitative results
and analysis are also given to provide a better understanding of DVE.
- Abstract（参考訳）: 署名付きネットワークのためのノード表現学習は、リンクサイン予測、ノード分類、ノードレコメンデーションなど、多くの現実世界のアプリケーションで注目されている。
問題は、ネットワークの複雑なトポロジー情報を適切にエンコードする方法にある。
近年の研究では,ノードの近接性関係を示す一階ネットワークトポロジーの保存に重点を置いている。
しかし、これらの手法は一般にノードの局所構造を示し、ネットワークトポロジーの本質的特性として機能する高次トポロジーを捉えることができない。
加えて、一階トポロジーでは、存在しないリンクの付加値はほとんど無視される。
本稿では,符号付き有向ネットワークにおける一階と高階のトポロジを同時に捉えることにより,代表ノード埋め込みについてさらに学ぶことを提案する。
特に,符号付き有向ネットワークにおける表現学習問題を変分自己符号化の観点から再構成し,さらにdve(decoupled variational embedded)法を考案する。
DVEは、特別に設計されたオートエンコーダ構造を利用して、署名された有向ネットワークの1次トポロジと高次トポロジの両方をキャプチャし、より代表的なノード埋め込みを学ぶ。
広く使われている3つの実世界のデータセットで広範な実験が行われている。
リンクサイン予測とノードレコメンデーションタスクの総合的な結果は、DVEの有効性を示す。
DVEをよりよく理解するために、定性的な結果と分析も与えられる。
関連論文リスト
- Multi-perspective Memory Enhanced Network for Identifying Key Nodes in Social Networks [51.54002032659713]
ソーシャルネットワークにおけるキーノードを識別する新しいマルチパースペクティブメモリ拡張ネットワーク(MMEN)を提案する。
MMENは複数の視点からキーノードをマイニングし、履歴情報を記憶するためにメモリネットワークを利用する。
我々の手法は過去の方法よりも大幅に優れている。
論文 参考訳（メタデータ） (2024-03-22T14:29:03Z) - Unsupervised Graph Attention Autoencoder for Attributed Networks using
K-means Loss [0.0]
我々は、属性付きネットワークにおけるコミュニティ検出のための、教師なしのtextbfGraph Attention textbfAutotextbfEncoder に基づく、シンプルで効率的なクラスタリング指向モデルを提案する。
提案モデルは,ネットワークのトポロジと属性情報の両方から表現を十分に学習し,同時に2つの目的,すなわち再構築とコミュニティ発見に対処する。
論文 参考訳（メタデータ） (2023-11-21T20:45:55Z) - Domain-adaptive Message Passing Graph Neural Network [67.35534058138387]
クロスネットワークノード分類(CNNC)は、豊富なラベルを持つソースネットワークから知識を転送することで、ラベル不足のターゲットネットワーク内のノードを分類することを目的としている。
本稿では,グラフニューラルネットワーク(GNN)と条件付き対向ドメイン適応を統合したドメイン適応型メッセージパッシンググラフニューラルネットワーク(DM-GNN)を提案する。
論文 参考訳（メタデータ） (2023-08-31T05:26:08Z) - 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) - Learning Asymmetric Embedding for Attributed Networks via Convolutional
Neural Network [19.611523749659355]
AAGCNと呼ばれる畳み込みグラフニューラルネットワークに基づく新しい非対称属性ネットワーク埋め込みモデルを提案する。
主な考え方は、有向属性ネットワークの非対称な近接性と非対称な類似性を極大に保存することである。
ネットワーク再構成,リンク予測,ノード分類,可視化タスクのための実世界の3つのネットワーク上でのAAGCNの性能を検証した。
論文 参考訳（メタデータ） (2022-02-13T13:35:15Z) - Deep Dual Support Vector Data Description for Anomaly Detection on
Attributed Networks [7.299729677753102]
本稿では,属性ネットワーク上の異常検出のための自動エンコーダ(Dual-SVDAE)に基づくディープデュアルサポートベクトルデータ記述のエンドツーエンドモデルを提案する。
具体的には、Dual-SVDAEは、構造空間におけるノードの潜在表現をそれぞれ学習する構造オートエンコーダと属性オートエンコーダから構成される。
実世界の属性ネットワークの実験では、Dual-SVDAEは一貫して最先端のネットワークを上回っている。
論文 参考訳（メタデータ） (2021-09-01T01:21:06Z) - Interpretable Signed Link Prediction with Signed Infomax Hyperbolic
Graph [54.03786611989613]
ソーシャルネットワークにおけるサイン付きリンク予測は、ユーザ(すなわちノード)間の基盤となる関係(リンク)を明らかにすることを目的としている
我々は Signed Infomax Hyperbolic Graph (textbfSIHG) と呼ばれる統一されたフレームワークを開発する。
高次ユーザ関係と複雑な階層をモデル化するために、ノードの埋め込みを投影し、より低歪みの双曲空間で測定する。
論文 参考訳（メタデータ） (2020-11-25T05:09:03Z) - 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) - 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) - Adversarial Deep Network Embedding for Cross-network Node Classification [27.777464531860325]
クロスネットワークノード分類は、ソースネットワークからの豊富なラベル付きノードを活用し、ターゲットネットワーク内のラベルなしノードの分類を支援する。
本稿では, 対向ドメイン適応とディープネットワーク埋め込みを統合するための, 対向クロスネットワークディープネットワーク埋め込みモデルを提案する。
提案したACDNEモデルは,ネットワーク間ノード分類における最先端性能を実現する。
論文 参考訳（メタデータ） (2020-02-18T04:30:43Z)
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。