Fugu-MT 論文翻訳(概要): GAGE: Geometry Preserving Attributed Graph Embeddings

論文の概要: GAGE: Geometry Preserving Attributed Graph Embeddings

arxiv url: http://arxiv.org/abs/2011.01422v2
Date: Wed, 23 Feb 2022 15:51:49 GMT
ステータス: 処理完了
システム内更新日: 2022-09-30 06:24:39.621349
Title: GAGE: Geometry Preserving Attributed Graph Embeddings
Title（参考訳）: GAGE: 分散グラフ埋め込みを保存する幾何学
Authors: Charilaos I. Kanatsoulis, and Nicholas D. Sidiropoulos
Abstract要約: 本稿では,属性ネットワークにノードを埋め込む手法を提案する。接続と属性の両方の距離を保存する。学習課題に取り組むために,効率的かつ軽量なアルゴリズムを開発した。
参考スコア（独自算出の注目度）: 34.25102483600248
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Node embedding is the task of extracting concise and informative representations of certain entities that are connected in a network. Various real-world networks include information about both node connectivity and certain node attributes, in the form of features or time-series data. Modern representation learning techniques employ both the connectivity and attribute information of the nodes to produce embeddings in an unsupervised manner. In this context, deriving embeddings that preserve the geometry of the network and the attribute vectors would be highly desirable, as they would reflect both the topological neighborhood structure and proximity in feature space. While this is fairly straightforward to maintain when only observing the connectivity or attribute information of the network, preserving the geometry of both types of information is challenging. A novel tensor factorization approach for node embedding in attributed networks is proposed in this paper, that preserves the distances of both the connections and the attributes. Furthermore, an effective and lightweight algorithm is developed to tackle the learning task and judicious experiments with multiple state-of-the-art baselines suggest that the proposed algorithm offers significant performance improvements in downstream tasks.
Abstract（参考訳）: ノード埋め込みは、ネットワークに接続された特定のエンティティの簡潔で情報的な表現を抽出するタスクである。様々な実世界のネットワークは、特徴や時系列データという形で、ノード接続と特定のノード属性の両方に関する情報を含んでいる。現代の表現学習技術は、ノードの接続情報と属性情報の両方を用いて、教師なしの方法で埋め込みを生成する。この文脈では、ネットワークと属性ベクトルの幾何を保存する埋め込みを導出することは、位相的近傍構造と特徴空間の近接の両方を反映しているため、非常に望ましい。ネットワークの接続性や属性情報を観測するだけであれば、これは比較的単純ですが、両方のタイプの情報の幾何保存は困難です。本稿では,ノード埋め込みに対する新しいテンソル因子分解手法を提案し,コネクションと属性の距離を保存する。さらに,本アルゴリズムは,学習課題に対処し,複数の最先端ベースラインを用いた実測実験を行うことにより,下流タスクの大幅な性能向上が期待できる。

関連論文リスト

DGNN: Decoupled Graph Neural Networks with Structural Consistency between Attribute and Graph Embedding Representations [62.04558318166396]
グラフニューラルネットワーク(GNN)は、複雑な構造を持つグラフ上での表現学習の堅牢性を示す。ノードのより包括的な埋め込み表現を得るために、Decoupled Graph Neural Networks (DGNN)と呼ばれる新しいGNNフレームワークが導入された。複数のグラフベンチマークデータセットを用いて、ノード分類タスクにおけるDGNNの優位性を検証した。
論文参考訳（メタデータ） (2024-01-28T06:43:13Z)
Exact Recovery and Bregman Hard Clustering of Node-Attributed Stochastic Block Model [0.16385815610837165]
本稿では,コミュニティラベルの正確な回復のための情報理論的基準を提案する。ネットワークと属性情報をどのように交換して正確なリカバリを行うかを示す。また、共同確率を最大化する反復的クラスタリングアルゴリズムも提示する。
論文参考訳（メタデータ） (2023-10-30T16:46:05Z)
Network Alignment with Transferable Graph Autoencoders [79.89704126746204]
本稿では,強力で堅牢なノード埋め込みを抽出するグラフオートエンコーダアーキテクチャを提案する。生成した埋め込みがグラフの固有値と固有ベクトルと結びついていることを証明する。提案フレームワークは転送学習とデータ拡張を利用して,大規模なネットワークアライメントを実現する。
論文参考訳（メタデータ） (2023-10-05T02:58:29Z)
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)
BSAL: A Framework of Bi-component Structure and Attribute Learning for Link Prediction [33.488229191263564]
トポロジや特徴空間からの情報を適応的に活用する二成分構造・属性学習フレームワーク(BSAL)を提案する。 BSALはノード属性を介してセマンティックトポロジを構築し、セマンティックビューに関する埋め込みを取得する。ノード属性が持つ情報を適応的に組み込む、フレキシブルで実装が容易なソリューションを提供する。
論文参考訳（メタデータ） (2022-04-18T03:12:13Z)
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)
Variational Co-embedding Learning for Attributed Network Clustering [30.7006907516984]
属性ネットワーククラスタリングの最近の研究は、グラフ畳み込みを利用してノード埋め込みを取得し、同時に埋め込み空間上でクラスタリング割り当てを行う。属性ネットワーククラスタリング(ANC)のための分散共埋め込み学習モデルを提案する。 ANCは、ノードと属性を同時に埋め込む2つの変分自動エンコーダで構成されている。
論文参考訳（メタデータ） (2021-04-15T08:11:47Z)
Anomaly Detection on Attributed Networks via Contrastive Self-Supervised Learning [50.24174211654775]
本論文では,アトリビュートネットワーク上の異常検出のためのコントラスト型自己監視学習フレームワークを提案する。このフレームワークは、新しいタイプのコントラストインスタンスペアをサンプリングすることで、ネットワークデータからのローカル情報を完全に活用します。高次元特性と局所構造から情報埋め込みを学習するグラフニューラルネットワークに基づくコントラスト学習モデルを提案する。
論文参考訳（メタデータ） (2021-02-27T03:17:20Z)
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)
Adversarial Context Aware Network Embeddings for Textual Networks [8.680676599607123]
既存のアプローチでは、接続ノードの埋め込みを同様のものにすることで、テキストとネットワーク構造の埋め込みを学習する。これは、これらのアプローチが埋め込みを学ぶためにエッジ情報を必要としており、目に見えないノードの埋め込みを学ぶことができないことを意味している。本稿では,モダリティ融合と未確認ノードの埋め込みを学習する能力の両方を実現するアプローチを提案する。
論文参考訳（メタデータ） (2020-11-05T05:20:01Z)
Graph Prototypical Networks for Few-shot Learning on Attributed Networks [72.31180045017835]
グラフメタ学習フレームワーク - Graph Prototypeal Networks (GPN) を提案する。 GPNは、属性付きネットワーク上でテキストミータ学習を行い、ターゲット分類タスクを扱うための高度に一般化可能なモデルを導出する。
論文参考訳（メタデータ） (2020-06-23T04:13:23Z)

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。