論文の概要: Multi-View Dynamic Heterogeneous Information Network Embedding
- arxiv url: http://arxiv.org/abs/2011.06346v1
- Date: Thu, 12 Nov 2020 12:33:29 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-26 06:51:02.811264
- Title: Multi-View Dynamic Heterogeneous Information Network Embedding
- Title（参考訳）: 多視点動的異種情報ネットワーク埋め込み
- Authors: Zhenghao Zhang, Jianbin Huang and Qinglin Tan
- Abstract要約: MDHNE(Multi-View Dynamic HIN Embedding)と呼ばれるHIN埋め込みに時間情報を組み込む新しいフレームワークを提案する。
提案するMDHNEは、複雑なネットワーク構造とノード間の意味的関係の進化パターンを潜在埋め込み空間に組み込むために、リカレントニューラルネットワーク(RNN)を適用している。
本モデルは,ネットワークマイニングタスクの3つの実世界の動的データセットに対して,最先端のベースラインを上回ります。
- 参考スコア（独自算出の注目度）: 3.8093526291513347
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Most existing Heterogeneous Information Network (HIN) embedding methods focus
on static environments while neglecting the evolving characteristic of
realworld networks. Although several dynamic embedding methods have been
proposed, they are merely designed for homogeneous networks and cannot be
directly applied in heterogeneous environment. To tackle above challenges, we
propose a novel framework for incorporating temporal information into HIN
embedding, denoted as Multi-View Dynamic HIN Embedding (MDHNE), which can
efficiently preserve evolution patterns of implicit relationships from
different views in updating node representations over time. We first transform
HIN to a series of homogeneous networks corresponding to different views. Then
our proposed MDHNE applies Recurrent Neural Network (RNN) to incorporate
evolving pattern of complex network structure and semantic relationships
between nodes into latent embedding spaces, and thus the node representations
from multiple views can be learned and updated when HIN evolves over time.
Moreover, we come up with an attention based fusion mechanism, which can
automatically infer weights of latent representations corresponding to
different views by minimizing the objective function specific for different
mining tasks. Extensive experiments clearly demonstrate that our MDHNE model
outperforms state-of-the-art baselines on three real-world dynamic datasets for
different network mining tasks.
- Abstract（参考訳）: 既存のヘテロジニアス・インフォメーション・ネットワーク(hin)の埋め込み手法のほとんどは静的環境に焦点を合わせつつ、現実世界のネットワークの進化特性を無視している。
いくつかの動的埋め込み手法が提案されているが、それらは単に均質なネットワーク用に設計されており、異質な環境で直接適用することはできない。
本稿では,複数視点動的hin埋め込み(multi-view dynamic hin embedded,mdhne)と呼ばれる,時間とともにノード表現を更新する際に,異なる視点からの暗黙的関係の進化パターンを効率的に保存する手法を提案する。
まず、HINを異なるビューに対応する一連の同質ネットワークに変換する。
そこで提案したMDHNEは,複雑なネットワーク構造とノード間の意味的関係の進化パターンを潜在埋め込み空間に組み込むために,Recurrent Neural Network (RNN) を適用した。
さらに,異なるマイニングタスクに特有な目的関数を最小化することにより,異なるビューに対応する潜在表現の重みを自動推論する,注意に基づく融合機構を考案した。
我々のMDHNEモデルは、異なるネットワークマイニングタスクのための3つの実世界の動的データセットに対して、最先端のベースラインよりも優れていることを示す。
関連論文リスト
- Piecewise-Velocity Model for Learning Continuous-time Dynamic Node
Representations [0.0]
連続時間動的ネットワーク表現のためのPiecewise-Veable Model (PiVeM)。
超低次元空間において、PiVeMはネットワーク構造と力学をうまく表現できることを示す。
リンク予測などの下流タスクでは、関連する最先端メソッドよりも優れています。
論文 参考訳（メタデータ） (2022-12-23T13:57:56Z) - Pay Attention to Relations: Multi-embeddings for Attributed Multiplex
Networks [0.0]
RAHMeNは、属性付き異種多重ネットワークのための新しい統合型関係認識組込みフレームワークである。
本モデルでは,ノード属性,モチーフに基づく特徴,関係性に基づくGCNアプローチ,ノードの埋め込みを学習するための関係性自己アテンションが組み込まれている。
我々は,Amazon,Twitter,YouTube,Tio PPIの4つの実世界のデータセットを,トランスダクティブおよびインダクティブの両方で評価した。
論文 参考訳（メタデータ） (2022-03-03T18:31:29Z) - DPPIN: A Biological Dataset of Dynamic Protein-Protein Interaction
Networks [40.490606259328686]
我々は動的タンパク質-タンパク質相互作用ネットワーク(DPPIN)の新しい生物学的データセットを生成する
DPPINは、酵母細胞の12の動的タンパク質レベルの相互作用ネットワークから構成される。
我々は、動的局所クラスタリング、動的スペクトルクラスタリング、動的サブグラフマッチング、動的ノード分類、動的グラフ分類実験を設計する。
論文 参考訳（メタデータ） (2021-07-05T17:52:55Z) - Reinforced Neighborhood Selection Guided Multi-Relational Graph Neural
Networks [68.9026534589483]
RioGNNはReinforceed, recursive, flexible neighborhood selection guided multi-relational Graph Neural Network architectureである。
RioGNNは、各関係の個々の重要性の認識により、説明性を高めた差別的なノード埋め込みを学ぶことができる。
論文 参考訳（メタデータ） (2021-04-16T04:30:06Z) - PredRNN: A Recurrent Neural Network for Spatiotemporal Predictive
Learning [109.84770951839289]
歴史的文脈からビジュアルダイナミクスを学習するための新しいリカレントネットワークであるPredRNNを紹介する。
本手法は,3つの標準データセット上で高い競争結果が得られることを示す。
論文 参考訳（メタデータ） (2021-03-17T08:28:30Z) - GAHNE: Graph-Aggregated Heterogeneous Network Embedding [32.44836376873812]
異種ネットワーク埋め込みは、ノードを低次元ベクトルに埋め込み、異種ネットワークの豊富な本質的な情報を捕捉することを目的としている。
既存のモデルは、手動でメタパスを設計するか、異なるセマンティクス間の相互効果を無視するか、あるいはグローバルネットワークからの情報のいくつかの側面を省略する。
GAHNEモデルでは、異なる単一タイプのサブネットワークからのセマンティック表現を集約する機構を開発し、グローバル情報を最終埋め込みに融合させる。
論文 参考訳（メタデータ） (2020-12-23T07:11:30Z) - A Multi-Semantic Metapath Model for Large Scale Heterogeneous Network
Representation Learning [52.83948119677194]
大規模不均一表現学習のためのマルチセマンティックメタパス(MSM)モデルを提案する。
具体的には,マルチセマンティックなメタパスに基づくランダムウォークを生成し,不均衡な分布を扱うヘテロジニアスな近傍を構築する。
提案するフレームワークに対して,AmazonとAlibabaの2つの挑戦的なデータセットに対して,体系的な評価を行う。
論文 参考訳（メタデータ） (2020-07-19T22:50:20Z) - Policy-GNN: Aggregation Optimization for Graph Neural Networks [60.50932472042379]
グラフニューラルネットワーク(GNN)は、局所的なグラフ構造をモデル化し、隣人からの情報を集約することで階層的なパターンを捉えることを目的としている。
複雑なグラフとスパースな特徴を与えられた各ノードに対して効果的なアグリゲーション戦略を開発することは難しい課題である。
本稿では,GNNのサンプリング手順とメッセージパッシングを複合学習プロセスにモデル化するメタ政治フレームワークであるPolicy-GNNを提案する。
論文 参考訳（メタデータ） (2020-06-26T17:03:06Z) - Deep Autoencoding Topic Model with Scalable Hybrid Bayesian Inference [55.35176938713946]
我々は、ガンマ分布の階層構造を用いて、その多確率層生成ネットワークを構築するディープ・オートエンコーディング・トピック・モデル(DATM)を開発した。
Weibull上向き変分エンコーダを提案する。このエンコーダは深層ニューラルネットワークを介して情報を上向きに伝播し,次いで下向き生成モデルを提案する。
大規模コーパス上での教師なしおよび教師なしの学習タスクにおいて,モデルの有効性とスケーラビリティを実証した。
論文 参考訳（メタデータ） (2020-06-15T22:22:56Z) - Unsupervised Differentiable Multi-aspect Network Embedding [52.981277420394846]
本稿では,asp2vecと呼ばれるマルチアスペクトネットワーク埋め込みのための新しいエンドツーエンドフレームワークを提案する。
提案するフレームワークは容易に異種ネットワークに拡張できる。
論文 参考訳（メタデータ） (2020-06-07T19:26:20Z) - Modeling Dynamic Heterogeneous Network for Link Prediction using
Hierarchical Attention with Temporal RNN [16.362525151483084]
我々はDyHATRと呼ばれる新しい動的ヘテロジニアスネットワーク埋め込み法を提案する。
階層的な注意を使って異質な情報を学習し、進化パターンを捉えるために時間的注意を伴う繰り返しニューラルネットワークを組み込む。
リンク予測のための4つの実世界のデータセットに対して,本手法をベンチマークした。
論文 参考訳（メタデータ） (2020-04-01T17:16:47Z)
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。