論文の概要: Weight Prediction for Variants of Weighted Directed Networks
- arxiv url: http://arxiv.org/abs/2009.14311v1
- Date: Tue, 29 Sep 2020 21:18:24 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-13 06:01:48.926671
- Title: Weight Prediction for Variants of Weighted Directed Networks
- Title（参考訳）: 重み付き指向ネットワークの多様性の重み予測
- Authors: Dong Quan Ngoc Nguyen, Lin Xing, and Lizhen Lin
- Abstract要約: 重み付き有向ネットワーク(英: weighted direct network、WDN)は、各エッジが重みと呼ばれるユニークな値に関連付けられている有向グラフである。
我々は、WDNにおけるエッジウェイト予測を研究するための計量幾何学的アプローチを初めて導入する。
AWDNのエッジ重み予測に使用されるk$近辺(kNN)法とSVM(Support-vector Machine)法を改良して提案する。
- 参考スコア（独自算出の注目度）: 1.3477333339913569
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: A weighted directed network (WDN) is a directed graph in which each edge is
associated to a unique value called weight. These networks are very suitable
for modeling real-world social networks in which there is an assessment of one
vertex toward other vertices. One of the main problems studied in this paper is
prediction of edge weights in such networks. We introduce, for the first time,
a metric geometry approach to studying edge weight prediction in WDNs. We
modify a usual notion of WDNs, and introduce a new type of WDNs which we coin
the term \textit{almost-weighted directed networks} (AWDNs). AWDNs can capture
the weight information of a network from a given training set. We then
construct a class of metrics (or distances) for AWDNs which equips such
networks with a metric space structure. Using the metric geometry structure of
AWDNs, we propose modified $k$ nearest neighbors (kNN) methods and modified
support-vector machine (SVM) methods which will then be used to predict edge
weights in AWDNs. In many real-world datasets, in addition to edge weights, one
can also associate weights to vertices which capture information of vertices;
association of weights to vertices especially plays an important role in graph
embedding problems. Adopting a similar approach, we introduce two new types of
directed networks in which weights are associated to either a subset of origin
vertices or a subset of terminal vertices . We, for the first time, construct
novel classes of metrics on such networks, and based on these new metrics
propose modified $k$NN and SVM methods for predicting weights of origins and
terminals in these networks. We provide experimental results on several
real-world datasets, using our geometric methodologies.
- Abstract（参考訳）: 重み付き有向ネットワーク (wdn) は、各辺が重みと呼ばれる一意な値に関連付けられる有向グラフである。
これらのネットワークは、ある頂点が他の頂点に向かって評価される現実世界のソーシャルネットワークのモデル化に非常に適している。
本稿では,そのようなネットワークにおけるエッジ重みの予測について検討した。
我々は,wdnsにおけるエッジウェイト予測を研究するための計量幾何学的手法を初めて紹介する。
我々は、WDNの通常の概念を変更し、新しいタイプのWDNを導入し、それを「textit{almost-weighted direct network} (AWDNs)」という。
AWDNは、所定のトレーニングセットからネットワークの重み情報を取得することができる。
次に、そのようなネットワークに計量空間構造を持たせるAWDNに対する計量(または距離)のクラスを構築する。
AWDNの幾何学的構造を用いて, AWDNのエッジウェイトを予測するために, kNN法とSVM法を改良した$k$近辺法を提案する。
多くの実世界のデータセットでは、エッジ重みに加えて、重みを頂点の情報を取り込む頂点に関連付けることもできる。
同様のアプローチを採用し、重みを原点頂点のサブセットまたは終点頂点のサブセットに関連付ける2つの新しいタイプの有向ネットワークを導入する。
我々は,このようなネットワーク上で新しいメトリクスのクラスを初めて構築し,これらのメトリクスに基づいて,これらのネットワークの起点と終点の重みを予測するための$k$NNとSVMの修正手法を提案する。
我々は幾何学的手法を用いて,実世界の複数のデータセットに対して実験結果を提供する。
関連論文リスト
- Network Intrusion Detection with Edge-Directed Graph Multi-Head Attention Networks [13.446986347747325]
本稿では,ネットワーク侵入検出のためのエッジ指向グラフマルチヘッドアテンションネットワーク(EDGMAT)を提案する。
EDGMATモデルでは,侵入検知モデルにマルチヘッドアテンション機構を導入し,マルチヘッドアテンション機構とエッジ特徴を組み合わせた付加的な重み学習を実現する。
論文 参考訳（メタデータ） (2023-10-26T12:30:11Z) - 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) - 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) - Block Dense Weighted Networks with Augmented Degree Correction [1.2031796234206138]
本稿では,接続パターンの異なる重み付きネットワークの生成と推定を行う新しいフレームワークを提案する。
提案したモデルは,個々のノード特性をノードを接続するエッジにマッピングする関数の特定のクラスに依存している。
また,複数のデータセットを収集できない状況において,同一の頂点上で新たなネットワークを生成するブートストラップ手法を開発した。
論文 参考訳（メタデータ） (2021-05-26T01:25:07Z) - A Point-Cloud Deep Learning Framework for Prediction of Fluid Flow
Fields on Irregular Geometries [62.28265459308354]
ネットワークは空間位置とCFD量のエンドツーエンドマッピングを学習する。
断面形状の異なるシリンダーを過ぎる非圧縮層状定常流を考察する。
ネットワークは従来のCFDの数百倍の速さで流れ場を予測する。
論文 参考訳（メタデータ） (2020-10-15T12:15:02Z) - Dynamic Graph: Learning Instance-aware Connectivity for Neural Networks [78.65792427542672]
動的グラフネットワーク(DG-Net)は完全な有向非巡回グラフであり、ノードは畳み込みブロックを表し、エッジは接続経路を表す。
ネットワークの同じパスを使用する代わりに、DG-Netは各ノードの機能を動的に集約する。
論文 参考訳（メタデータ） (2020-10-02T16:50:26Z) - PIE-NET: Parametric Inference of Point Cloud Edges [40.27043782820615]
我々は3Dポイントクラウドデータの特徴エッジを堅牢に識別するエンドツーエンドの学習技術を紹介した。
私たちのディープニューラルネットワークは、PIE-NETと呼ばれ、エッジのパラメトリック推論のために訓練されています。
論文 参考訳（メタデータ） (2020-07-09T15:35:10Z) - Neural Subdivision [58.97214948753937]
本稿では,データ駆動型粗粒度モデリングの新しいフレームワークであるNeural Subdivisionを紹介する。
すべてのローカルメッシュパッチで同じネットワーク重みのセットを最適化するため、特定の入力メッシュや固定属、カテゴリに制約されないアーキテクチャを提供します。
単一の高分解能メッシュでトレーニングしても,本手法は新規な形状に対して合理的な区分を生成する。
論文 参考訳（メタデータ） (2020-05-04T20:03:21Z) - Revealing the Structure of Deep Neural Networks via Convex Duality [70.15611146583068]
我々は,正規化深層ニューラルネットワーク(DNN)について検討し,隠蔽層の構造を特徴付ける凸解析フレームワークを導入する。
正規正規化学習問題に対する最適隠蔽層重みの集合が凸集合の極点として明確に見出されることを示す。
ホワイトデータを持つ深部ReLUネットワークに同じ特徴を応用し、同じ重み付けが成り立つことを示す。
論文 参考訳（メタデータ） (2020-02-22T21:13:44Z) - EdgeNets:Edge Varying Graph Neural Networks [179.99395949679547]
本稿では、EdgeNetの概念を通じて、最先端グラフニューラルネットワーク(GNN)を統一する一般的なフレームワークを提案する。
EdgeNetはGNNアーキテクチャであり、異なるノードが異なるパラメータを使って異なる隣人の情報を測定することができる。
これは、ノードが実行でき、既存のグラフ畳み込みニューラルネットワーク(GCNN)とグラフアテンションネットワーク(GAT)の1つの定式化の下で包含できる一般的な線形で局所的な操作である。
論文 参考訳（メタデータ） (2020-01-21T15:51:17Z)
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。