論文の概要: Understanding graph embedding methods and their applications

• arxiv url: http://arxiv.org/abs/2012.08019v1
• Date: Tue, 15 Dec 2020 00:30:22 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-08 13:23:21.998289
• Title: Understanding graph embedding methods and their applications
• Title（参考訳）: グラフ埋め込み手法の理解とその応用
• Authors: Mengjia Xu
• Abstract要約: グラフ埋め込み技術は、高次元スパースグラフを低次元密度連続ベクトル空間に変換するのに有効である。 生成した非線形かつ高情報性の高いグラフ埋め込みは、異なる下流グラフ解析タスクに便利に利用することができる。
• 参考スコア（独自算出の注目度）: 1.14219428942199
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graph analytics can lead to better quantitative understanding and control of complex networks, but traditional methods suffer from high computational cost and excessive memory requirements associated with the high-dimensionality and heterogeneous characteristics of industrial size networks. Graph embedding techniques can be effective in converting high-dimensional sparse graphs into low-dimensional, dense and continuous vector spaces, preserving maximally the graph structure properties. Another type of emerging graph embedding employs Gaussian distribution-based graph embedding with important uncertainty estimation. The main goal of graph embedding methods is to pack every node's properties into a vector with a smaller dimension, hence, node similarity in the original complex irregular spaces can be easily quantified in the embedded vector spaces using standard metrics. The generated nonlinear and highly informative graph embeddings in the latent space can be conveniently used to address different downstream graph analytics tasks (e.g., node classification, link prediction, community detection, visualization, etc.). In this Review, we present some fundamental concepts in graph analytics and graph embedding methods, focusing in particular on random walk-based and neural network-based methods. We also discuss the emerging deep learning-based dynamic graph embedding methods. We highlight the distinct advantages of graph embedding methods in four diverse applications, and present implementation details and references to open-source software as well as available databases in the Appendix for the interested readers to start their exploration into graph analytics.
• Abstract（参考訳）: グラフ分析は複雑なネットワークの定量的な理解と制御に繋がるが、従来の手法は計算コストが高く、産業規模ネットワークの高次元と異質な特性に関連する過大なメモリ要求に苦しむ。 グラフ埋め込み技術は、高次元スパースグラフを低次元、高密度、連続なベクトル空間に変換するのに有効であり、グラフ構造特性を最大に保存する。 別の種類の新興グラフ埋め込みは、重要な不確実性推定を伴うガウス分布に基づくグラフ埋め込みを用いる。 グラフ埋め込み法の主な目標は、全てのノードの特性をより小さな次元のベクトルにパックすることであり、したがって、元の複素不規則空間におけるノードの類似性は標準計量を用いて埋め込みベクトル空間内で容易に定量化できる。 潜在空間に生成された非線形で高情報的なグラフ埋め込みは、異なる下流のグラフ分析タスク(例えば、ノード分類、リンク予測、コミュニティ検出、可視化など)に対処するのに便利である。 本稿では,特にランダムウォークとニューラルネットワークに基づく手法に着目し,グラフ分析とグラフ埋め込み手法の基本的な概念について述べる。 また,深層学習に基づく動的グラフ埋め込み手法についても述べる。 我々は4つの異なるアプリケーションにおけるグラフ埋め込み手法の異なる利点を強調し、オープンソースソフトウェアの実装の詳細と参照、および利用可能なデータベースを付録で提示し、興味のある読者がグラフ分析について調査を開始する。

関連論文リスト

• Improving embedding of graphs with missing data by soft manifolds [51.425411400683565]
  グラフ埋め込みの信頼性は、連続空間の幾何がグラフ構造とどの程度一致しているかに依存する。 我々は、この問題を解決することができる、ソフト多様体と呼ばれる新しい多様体のクラスを導入する。 グラフ埋め込みにソフト多様体を用いることで、複雑なデータセット上のデータ解析における任意のタスクを追求するための連続空間を提供できる。
  論文  参考訳（メタデータ） (2023-11-29T12:48:33Z)
• Bures-Wasserstein Means of Graphs [60.42414991820453]
  本研究では,スムーズなグラフ信号分布の空間への埋め込みを通じて,グラフ平均を定義する新しいフレームワークを提案する。 この埋め込み空間において平均を求めることにより、構造情報を保存する平均グラフを復元することができる。 我々は,新しいグラフの意味の存在と特異性を確立し,それを計算するための反復アルゴリズムを提供する。
  論文  参考訳（メタデータ） (2023-05-31T11:04:53Z)
• State of the Art and Potentialities of Graph-level Learning [54.68482109186052]
  グラフレベルの学習は、比較、回帰、分類など、多くのタスクに適用されている。 グラフの集合を学習する伝統的なアプローチは、サブストラクチャのような手作りの特徴に依存している。 ディープラーニングは、機能を自動的に抽出し、グラフを低次元表現に符号化することで、グラフレベルの学習をグラフの規模に適応させるのに役立っている。
  論文  参考訳（メタデータ） (2023-01-14T09:15:49Z)
• A Complex Network based Graph Embedding Method for Link Prediction [0.0]
  本稿では,人気相似性と地域アトラクションのパラダイムに基づく新しいグラフ埋め込み手法を提案する。 実験結果から,提案手法は最先端のグラフ埋め込みアルゴリズムよりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-09-11T14:46:38Z)
• Demystifying Graph Convolution with a Simple Concatenation [6.542119695695405]
  グラフトポロジ、ノード特徴、ラベル間の重なり合う情報を定量化する。 グラフの畳み込みは、グラフの畳み込みに代わる単純だが柔軟な代替手段であることを示す。
  論文  参考訳（メタデータ） (2022-07-18T16:39:33Z)
• Embedding Graphs on Grassmann Manifold [31.42901131602713]
  本稿では,グラスマン多様体に近似した2階グラフ特性を組み込んだ新しいグラフ表現学習手法EGGを提案する。 EGGの有効性はノードレベルとグラフレベルでのクラスタリングと分類タスクの両方を用いて示される。
  論文  参考訳（メタデータ） (2022-05-30T12:56:24Z)
• A Robust and Generalized Framework for Adversarial Graph Embedding [73.37228022428663]
  本稿では,AGE という逆グラフ埋め込みのための頑健なフレームワークを提案する。 AGEは、暗黙の分布から強化された負のサンプルとして偽の隣接ノードを生成する。 本フレームワークでは,3種類のグラフデータを扱う3つのモデルを提案する。
  論文  参考訳（メタデータ） (2021-05-22T07:05:48Z)
• Co-embedding of Nodes and Edges with Graph Neural Networks [13.020745622327894]
  グラフ埋め込みは、高次元および非ユークリッド特徴空間でデータ構造を変換しエンコードする方法である。 CensNetは一般的なグラフ埋め込みフレームワークで、ノードとエッジの両方を潜在機能空間に埋め込む。 提案手法は,4つのグラフ学習課題における最先端のパフォーマンスを達成または一致させる。
  論文  参考訳（メタデータ） (2020-10-25T22:39:31Z)
• Understanding Coarsening for Embedding Large-Scale Graphs [3.6739949215165164]
  機械学習(ML)アルゴリズムによるグラフの適切な解析は、研究や産業の多くの分野において、より深い洞察をもたらす可能性がある。 グラフデータの不規則構造は、グラフ上でMLタスクを実行するための障害を構成する。 本研究では, 粗大化品質が埋込み性能に及ぼす影響を, 速度と精度の両方で解析する。
  論文  参考訳（メタデータ） (2020-09-10T15:06:33Z)
• Graph Pooling with Node Proximity for Hierarchical Representation Learning [80.62181998314547]
  本稿では,ノード近接を利用したグラフプーリング手法を提案し,そのマルチホップトポロジを用いたグラフデータの階層的表現学習を改善する。 その結果,提案したグラフプーリング戦略は,公開グラフ分類ベンチマークデータセットの集合において,最先端のパフォーマンスを達成できることが示唆された。
  論文  参考訳（メタデータ） (2020-06-19T13:09:44Z)
• Block-Approximated Exponential Random Graphs [77.4792558024487]
  指数乱グラフ(ERG)の分野における重要な課題は、大きなグラフ上の非自明なERGの適合である。 本稿では,非自明なERGに対する近似フレームワークを提案する。 我々の手法は、数百万のノードからなるスパースグラフにスケーラブルである。
  論文  参考訳（メタデータ） (2020-02-14T11:42:16Z)

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。