論文の概要: Deep Kernel Supervised Hashing for Node Classification in Structural Networks

• arxiv url: http://arxiv.org/abs/2010.13582v2
• Date: Sat, 3 Apr 2021 00:45:02 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-02 20:07:08.512000
• Title: Deep Kernel Supervised Hashing for Node Classification in Structural Networks
• Title（参考訳）: 構造ネットワークにおけるノード分類のためのディープカーネル教師付きハッシュ
• Authors: Jia-Nan Guo, Xian-Ling Mao, Shu-Yang Lin, Wei Wei and Heyan Huang
• Abstract要約: 本稿では,ノード分類のためのハッシュ表現を学習するための新しいDeep Kernel Supervised Hashing (DKSH)法を提案する。 提案手法は3つの実世界のベンチマークデータセットに対して最先端のベースラインを大幅に上回る。
• 参考スコア（独自算出の注目度）: 39.459721876872266
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Node classification in structural networks has been proven to be useful in many real world applications. With the development of network embedding, the performance of node classification has been greatly improved. However, nearly all the existing network embedding based methods are hard to capture the actual category features of a node because of the linearly inseparable problem in low-dimensional space; meanwhile they cannot incorporate simultaneously network structure information and node label information into network embedding. To address the above problems, in this paper, we propose a novel Deep Kernel Supervised Hashing (DKSH) method to learn the hashing representations of nodes for node classification. Specifically, a deep multiple kernel learning is first proposed to map nodes into suitable Hilbert space to deal with linearly inseparable problem. Then, instead of only considering structural similarity between two nodes, a novel similarity matrix is designed to merge both network structure information and node label information. Supervised by the similarity matrix, the learned hashing representations of nodes simultaneously preserve the two kinds of information well from the learned Hilbert space. Extensive experiments show that the proposed method significantly outperforms the state-of-the-art baselines over three real world benchmark datasets.
• Abstract（参考訳）: 構造ネットワークのノード分類は多くの実世界のアプリケーションで有用であることが証明されている。 ネットワーク埋め込みの開発により,ノード分類の性能が大幅に向上した。 しかし、ネットワーク構造情報とノードラベル情報を同時にネットワーク埋め込みに組み込むことはできないため、既存のネットワーク埋め込み方式のほとんど全ては、低次元空間において線形に分離できない問題のため、ノードの実際のカテゴリ特徴を捉えるのは難しい。 本稿では,ノード分類のためのノードのハッシュ表現を学習するための新しいディープカーネル教師付きハッシュ(dksh)手法を提案する。 具体的には、線形に分離不能な問題に対処するために、ノードを適切なヒルベルト空間にマッピングするディープ多重カーネル学習を提案する。 そして、2つのノード間の構造的類似性のみを考慮する代わりに、ネットワーク構造情報とノードラベル情報の両方をマージする新しい類似性行列を設計する。 類似性行列によって監督されたノードの学習ハッシュ表現は、学習されたヒルベルト空間から2種類の情報を十分に保存する。 広範な実験により、提案手法は3つの実世界のベンチマークデータセットで最先端のベースラインを大きく上回っていることが示された。

関連論文リスト

• Contrastive Meta-Learning for Few-shot Node Classification [54.36506013228169]
  少ないショットノード分類は、限定されたラベル付きノードのみを参照としてグラフ上のノードのラベルを予測することを目的としている。 グラフ上にCOSMICという新しい対照的なメタラーニングフレームワークを2つの重要な設計で作成する。
  論文  参考訳（メタデータ） (2023-06-27T02:22:45Z)
• NodeFormer: A Scalable Graph Structure Learning Transformer for Node Classification [70.51126383984555]
  本稿では,任意のノード間のノード信号を効率的に伝搬する全ペアメッセージパッシング方式を提案する。 効率的な計算は、カーナライズされたGumbel-Softmax演算子によって実現される。 グラフ上のノード分類を含む様々なタスクにおいて,本手法の有望な有効性を示す実験を行った。
  論文  参考訳（メタデータ） (2023-06-14T09:21:15Z)
• On the Power of Gradual Network Alignment Using Dual-Perception Similarities [14.779474659172923]
  ネットワークアライメント(NA)は、ネットワーク構造とノード属性に基づいて、2つのネットワーク間のノードの対応を見つけるタスクである。 我々の研究は、既存のNA手法のほとんどが一度に全てのノード対を発見しようとしたため、ノード対応の暫定的な発見によって得られた情報を利用していないという事実に動機づけられている。 強い一貫性を示すノード対をフル活用することにより、ノード対を徐々に発見する新しいNA法であるGrad-Alignを提案する。
  論文  参考訳（メタデータ） (2022-01-26T14:01:32Z)
• DeHIN: A Decentralized Framework for Embedding Large-scale Heterogeneous Information Networks [64.62314068155997]
  本稿では,異種情報ネットワーク(DeHIN)のための分散埋め込みフレームワークについて述べる。 DeHINは、大きなHINをハイパーグラフとして革新的に定式化するコンテキスト保存分割機構を提供する。 当社のフレームワークでは,木のようなパイプラインを採用することで,効率よくHINを分割する分散戦略を採用しています。
  論文  参考訳（メタデータ） (2022-01-08T04:08:36Z)
• A Framework for Joint Unsupervised Learning of Cluster-Aware Embedding for Heterogeneous Networks [6.900303913555705]
  Heterogeneous Information Network (HIN) は、HINの構造と意味を保存しているHINノードの低次元投影を指す。 本稿では,クラスタ埋め込みとクラスタ認識HIN埋め込みの併用学習を提案する。
  論文  参考訳（メタデータ） (2021-08-09T11:36:36Z)
• Node2Seq: Towards Trainable Convolutions in Graph Neural Networks [59.378148590027735]
  今回提案するグラフネットワーク層であるNode2Seqは,隣接ノードの重みを明示的に調整可能なノード埋め込みを学習する。 対象ノードに対して,当手法は注意メカニズムを介して隣接ノードをソートし,さらに1D畳み込みニューラルネットワーク(CNN)を用いて情報集約のための明示的な重み付けを行う。 また, 特徴学習のための非局所的情報を, 注意スコアに基づいて適応的に組み込むことを提案する。
  論文  参考訳（メタデータ） (2021-01-06T03:05:37Z)
• 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)
• Graph Neural Networks with Composite Kernels [60.81504431653264]
  カーネル重み付けの観点からノード集約を再解釈する。 本稿では,アグリゲーション方式における特徴類似性を考慮したフレームワークを提案する。 特徴空間における特徴類似性をエンコードするために,元の隣り合うカーネルと学習可能なカーネルの合成として特徴集約を提案する。
  論文  参考訳（メタデータ） (2020-05-16T04:44:29Z)
• A Block-based Generative Model for Attributed Networks Embedding [42.00826538556588]
  本稿では,確率の観点から属性付きネットワーク埋め込みのためのブロックベース生成モデルを提案する。 ニューラルネットワークを用いてノード埋め込みとノード属性間の非線形性を特徴付ける。 その結果,提案手法はクラスタリングと分類タスクの両方において,最先端の埋め込み手法よりも一貫して優れていることがわかった。
  論文  参考訳（メタデータ） (2020-01-06T03:44:15Z)

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。