論文の概要: Characterizing Attitudinal Network Graphs through Frustration Cloud
- arxiv url: http://arxiv.org/abs/2009.07776v3
- Date: Tue, 17 Aug 2021 20:47:47 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-02 02:18:23.081026
- Title: Characterizing Attitudinal Network Graphs through Frustration Cloud
- Title（参考訳）: フラストレーションクラウドによる対向ネットワークグラフの特徴付け
- Authors: Lucas Rusnak and Jelena Te\v{s}i\'c
- Abstract要約: Attitudinal Network Graphsは、エッジが表現された意見をキャプチャするサイン付きグラフである。
フラストレーション指数に関連する単一のバランス状態から最も近いバランス状態のセットまで,コンセンサスの尺度を拡張することを提案する。
- 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: Attitudinal Network Graphs are signed graphs where edges capture an expressed
opinion; two vertices connected by an edge can be agreeable (positive) or
antagonistic (negative). A signed graph is called balanced if each of its
cycles includes an even number of negative edges. Balance is often
characterized by the frustration index or by finding a single convergent
balanced state of network consensus. In this paper, we propose to expand the
measures of consensus from a single balanced state associated with the
frustration index to the set of nearest balanced states. We introduce the
frustration cloud as a set of all nearest balanced states and use a
graph-balancing algorithm to find all nearest balanced states in a
deterministic way. Computational concerns are addressed by measuring consensus
probabilistically, and we introduce new vertex and edge metrics to quantify
status, agreement, and influence. We also introduce a new global measure of
controversy for a given signed graph and show that vertex status is a zero-sum
game in the signed network. We propose an efficient scalable algorithm for
calculating frustration cloud-based measures in social network and survey data
of up to 80,000 vertices and half-a-million edges. We also demonstrate the
power of the proposed approach to provide discriminant features for community
discovery when compared to spectral clustering and to automatically identify
dominant vertices and anomalous decisions in the network.
- Abstract（参考訳）: attitudinal network graphs は、エッジが表現された意見をキャプチャする符号付きグラフである。
符号付きグラフは、それぞれのサイクルが偶数の負のエッジを含む場合、平衡と呼ばれる。
バランスはしばしばフラストレーション指数またはネットワークコンセンサスの単一の収束バランス状態を見つけることで特徴づけられる。
本稿では,フラストレーション指数に関連する単一バランス状態から最も近いバランス状態の集合へのコンセンサス尺度の拡張を提案する。
我々は、最も近いバランス状態の集合としてフラストレーションクラウドを導入し、グラフバランスアルゴリズムを用いて、最も近いバランス状態の全てを決定論的に見つける。
コンセンサスを確率的に測定することで、計算上の懸念に対処し、ステータス、合意、影響を定量化する新しい頂点およびエッジメトリクスを導入する。
また、与えられた符号付きグラフに対する新たなグローバルな論争尺度を導入し、頂点ステータスが符号付きネットワークにおけるゼロサムゲームであることを示す。
本研究では,最大80,000頂点および50万エッジのデータを用いて,ソーシャルネットワーク上でのフラストレーションクラウドベースの測度を効率的に計算するアルゴリズムを提案する。
また,提案手法は,スペクトルクラスタリングと比較してコミュニティ発見に識別可能な特徴を提供し,ネットワークにおける支配的頂点や異常な決定を自動的に識別する能力を示す。
関連論文リスト
- BOURNE: Bootstrapped Self-supervised Learning Framework for Unified
Graph Anomaly Detection [50.26074811655596]
自己指導型自己学習(BOURNE)に基づく新しい統合グラフ異常検出フレームワークを提案する。
ノードとエッジ間のコンテキスト埋め込みを交換することで、ノードとエッジの異常を相互に検出できる。
BOURNEは、負のサンプリングを必要としないため、大きなグラフを扱う際の効率を高めることができる。
論文 参考訳（メタデータ） (2023-07-28T00:44:57Z) - Dual Node and Edge Fairness-Aware Graph Partition [25.808586461486932]
本稿では,クラスタ内の異なる階層群を接続するエッジの割合を測定するために,エッジバランスの概念を提案する。
いくつかのソーシャルネットワークデータセットを通じてフレームワークを検証し、ノードとエッジの両面でバランスの取れたパーティションを、優れたユーティリティとともに観察する。
論文 参考訳（メタデータ） (2023-06-16T18:18:37Z) - Rethinking Explaining Graph Neural Networks via Non-parametric Subgraph
Matching [68.35685422301613]
そこで我々はMatchExplainerと呼ばれる新しい非パラメトリックな部分グラフマッチングフレームワークを提案し、説明的部分グラフを探索する。
ターゲットグラフと他のインスタンスを結合し、ノードに対応する距離を最小化することで最も重要な結合部分構造を識別する。
合成および実世界のデータセットの実験は、最先端のパラメトリックベースラインをかなりのマージンで上回り、MatchExplainerの有効性を示す。
論文 参考訳（メタデータ） (2023-01-07T05:14:45Z) - Refined Edge Usage of Graph Neural Networks for Edge Prediction [51.06557652109059]
We propose a novel edge prediction paradigm named Edge-aware Message PassIng neuRal nEtworks (EMPIRE)。
まず,各エッジをトポロジや監督のためにのみ使用するエッジ分割手法を提案する。
監視エッジで接続されたペアと接続されていないペアの差を強調するために、さらにメッセージを重み付けして、その差を反映できる相対的なペアを強調します。
論文 参考訳（メタデータ） (2022-12-25T23:19:56Z) - A Graph Is More Than Its Nodes: Towards Structured Uncertainty-Aware
Learning on Graphs [49.76175970328538]
本稿では,エッジワイド・キャリブレーション・エラー(ECE)とアライアンス・ディスアグリーECEを新たに提案し,ノードワイド・セッティングを超えるグラフの不確実性推定の基準を提供する。
実験により,提案したエッジワイドメトリクスがノードワイズの結果を補完し,さらなる洞察を得ることが実証された。
論文 参考訳（メタデータ） (2022-10-27T16:12:58Z) - ImGAGN:Imbalanced Network Embedding via Generative Adversarial Graph
Networks [19.45752945234785]
グラフ上の不均衡な分類は、不正なノード検出など、多くの現実世界のアプリケーションでは至るところで困難である。
グラフ上の不均衡な分類問題に対処するため,ImGAGNと呼ばれる生成逆グラフネットワークモデルを提案する。
提案手法は, 半教師付き不均衡ノード分類タスクに対して, 最先端のアルゴリズムより優れていることを示す。
論文 参考訳（メタデータ） (2021-06-05T06:56:37Z) - Biased Edge Dropout for Enhancing Fairness in Graph Representation
Learning [14.664485680918725]
本稿では,グラフ表現学習における公平性向上と相反するバイアスド・エッジ・ドロップアウトアルゴリズム(fairdrop)を提案する。
FairDropは、多くの既存のアルゴリズムに簡単に接続でき、効率的で適応可能で、他の公平性誘導ソリューションと組み合わせることができます。
提案手法は,すべてのモデルのフェアネスを小さく,あるいは無視可能な精度低下まで改善できることを実証する。
論文 参考訳（メタデータ） (2021-04-29T08:59:36Z) - A Thorough View of Exact Inference in Graphs from the Degree-4
Sum-of-Squares Hierarchy [37.34153902687548]
各エッジの1つの破損した観測からノードの未知の接地型バイナリラベリングを正確に回収する問題に取り組む。
この問題に対して、和の平方階層と呼ばれるリラクゼーションの階層を適用します。
我々は、緩和問題の双対の解がジョンソングラフとクネーサーグラフのエッジウェイトを見つけることに関連していることを示した。
論文 参考訳（メタデータ） (2021-02-16T08:36:19Z) - 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) - Spectral Embedding of Graph Networks [76.27138343125985]
ローカルノードの類似性と接続性、グローバル構造をトレードオフする教師なしグラフ埋め込みを導入する。
埋め込みは一般化されたグラフ Laplacian に基づいており、固有ベクトルは1つの表現においてネットワーク構造と近傍近傍の両方をコンパクトにキャプチャする。
論文 参考訳（メタデータ） (2020-09-30T04:59:10Z)
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。