論文の概要: Link prediction in multiplex networks via triadic closure
- arxiv url: http://arxiv.org/abs/2011.09126v1
- Date: Mon, 16 Nov 2020 20:25:08 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-25 01:25:15.071429
- Title: Link prediction in multiplex networks via triadic closure
- Title（参考訳）: 三進的閉包による多重ネットワークにおけるリンク予測
- Authors: Alberto Aleta, Marta Tuninetti, Daniela Paolotti, Yamir Moreno, and
Michele Starnini
- Abstract要約: リンク予測アルゴリズムは複雑なシステムの構造と力学を理解するのに役立つ。
我々は,新しいリンクの予測を改善するために,異なる種類のリレーショナルデータを利用することができることを示す。
本稿では,Adamic-Adar法を任意の層で構成された多重化ネットワークに一般化し,新しいリンク予測アルゴリズムを提案する。
- 参考スコア（独自算出の注目度）: 0.9329978164030673
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Link prediction algorithms can help to understand the structure and dynamics
of complex systems, to reconstruct networks from incomplete data sets and to
forecast future interactions in evolving networks. Available algorithms based
on similarity between nodes are bounded by the limited amount of links present
in these networks. In this work, we reduce this latter intrinsic limitation and
show that different kind of relational data can be exploited to improve the
prediction of new links. To this aim, we propose a novel link prediction
algorithm by generalizing the Adamic-Adar method to multiplex networks composed
by an arbitrary number of layers, that encode diverse forms of interactions. We
show that the new metric outperforms the classical single-layered Adamic-Adar
score and other state-of-the-art methods, across several social, biological and
technological systems. As a byproduct, the coefficients that maximize the
Multiplex Adamic-Adar metric indicate how the information structured in a
multiplex network can be optimized for the link prediction task, revealing
which layers are redundant. Interestingly, this effect can be asymmetric with
respect to predictions in different layers. Our work paves the way for a deeper
understanding of the role of different relational data in predicting new
interactions and provides a new algorithm for link prediction in multiplex
networks that can be applied to a plethora of systems.
- Abstract（参考訳）: リンク予測アルゴリズムは、複雑なシステムの構造とダイナミクスを理解し、不完全なデータセットからネットワークを再構築し、進化するネットワークにおける将来の相互作用を予測するのに役立つ。
ノード間の類似性に基づく利用可能なアルゴリズムは、これらのネットワークに存在する限られた量のリンクによって境界づけられる。
本研究では,後者の本質的な制限を減らし,新しいリンクの予測を改善するために,異なる種類の関係データを活用できることを示す。
そこで本研究では,Adamic-Adar法を任意の数の層からなる多重化ネットワークに一般化し,多様な相互作用形式を符号化したリンク予測アルゴリズムを提案する。
新しい測定基準は、いくつかの社会的、生物学的、技術的システムにおいて、古典的な単層アダミック・エイダースコアや他の最先端の手法よりも優れています。
副産物として、多重化adamic-adarメトリックを最大化する係数は、多重化ネットワークで構成された情報がリンク予測タスクにどのように最適化できるかを示し、どの層が冗長であるかを明らかにする。
興味深いことに、この効果は異なる層の予測に関して非対称である。
我々の研究は、新しい相互作用を予測するために異なる関係データの役割をより深く理解する方法を開拓し、複数のシステムに適用可能な多重ネットワークにおけるリンク予測の新しいアルゴリズムを提供する。
関連論文リスト
- Set-based Neural Network Encoding Without Weight Tying [91.37161634310819]
本稿では,ネットワーク特性予測のためのニューラルネットワーク重み符号化手法を提案する。
我々のアプローチは、混合アーキテクチャのモデル動物園でニューラルネットワークを符号化することができる。
ニューラルネットワークのプロパティ予測には,クロスデータセットとクロスアーキテクチャという,2つの新しいタスクを導入する。
論文 参考訳（メタデータ） (2023-05-26T04:34:28Z) - An Approach for Link Prediction in Directed Complex Networks based on
Asymmetric Similarity-Popularity [0.0]
本稿では,有向ネットワーク用に明示的に設計されたリンク予測手法を提案する。
これは、最近無方向性ネットワークで成功した類似性-人気パラダイムに基づいている。
アルゴリズムは、隠れた類似性を最も短い経路距離として近似し、リンクの非対称性とノードの人気を捉え、決定するエッジウェイトを使用する。
論文 参考訳（メタデータ） (2022-07-15T11:03:25Z) - Scalable computation of prediction intervals for neural networks via
matrix sketching [79.44177623781043]
既存の不確実性推定アルゴリズムでは、モデルアーキテクチャとトレーニング手順を変更する必要がある。
本研究では、与えられたトレーニングされたニューラルネットワークに適用し、近似予測間隔を生成できる新しいアルゴリズムを提案する。
論文 参考訳（メタデータ） (2022-05-06T13:18:31Z) - Link Prediction with Contextualized Self-Supervision [63.25455976593081]
リンク予測は、ネットワーク内の2つのノード間のリンクの存在を推測することを目的としている。
従来のリンク予測アルゴリズムは、リンク空間、ノード属性ノイズ、ネットワークダイナミクスという3つの大きな課題によって妨げられている。
本稿では,リンク予測のための構造的コンテキスト予測を完全に活用する,コンテキスト適応型自己監視学習フレームワークを提案する。
論文 参考訳（メタデータ） (2022-01-25T03:12:32Z) - CCasGNN: Collaborative Cascade Prediction Based on Graph Neural Networks [0.49269463638915806]
カスケード予測は,ネットワーク内の情報拡散をモデル化することを目的とした。
グラフニューラルネットワークとリカレントニューラルネットワークによるネットワーク構造とシーケンス特徴の組み合わせに関する研究
本稿では,個々のプロファイル,構造特徴,シーケンス情報を考慮した新しいCCasGNNを提案する。
論文 参考訳（メタデータ） (2021-12-07T11:37:36Z) - 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) - 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) - A Multiscale Graph Convolutional Network Using Hierarchical Clustering [0.0]
マルチスケールの分解によってこの情報を活用する新しいアーキテクチャを探索する。
デンドログラムは、Girvan-Newman階層的クラスタリングアルゴリズムによって生成される。
アーキテクチャはベンチマーク引用ネットワーク上でテストされ、競合性能を実証する。
論文 参考訳（メタデータ） (2020-06-22T18:13:03Z) - Link Prediction for Temporally Consistent Networks [6.981204218036187]
リンク予測は、動的ネットワークにおける次の関係を推定する。
動的に進化するネットワークを表現するための隣接行列の使用は、異種、スパース、またはネットワーク形成から解析的に学習する能力を制限する。
時間的パラメータ化ネットワークモデルとして不均一な時間進化活動を表現する新しい手法を提案する。
論文 参考訳（メタデータ） (2020-06-06T07:28:03Z) - Communication-Efficient Distributed Stochastic AUC Maximization with
Deep Neural Networks [50.42141893913188]
本稿では,ニューラルネットワークを用いた大規模AUCのための分散変数について検討する。
我々のモデルは通信ラウンドをはるかに少なくし、理論上はまだ多くの通信ラウンドを必要としています。
いくつかのデータセットに対する実験は、我々の理論の有効性を示し、我々の理論を裏付けるものである。
論文 参考訳（メタデータ） (2020-05-05T18:08:23Z) - 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。