論文の概要: Unifying Homophily and Heterophily Network Transformation via Motifs
- arxiv url: http://arxiv.org/abs/2012.11400v2
- Date: Sun, 27 Dec 2020 15:36:46 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-27 12:40:52.455532
- Title: Unifying Homophily and Heterophily Network Transformation via Motifs
- Title（参考訳）: モチーフによるホモフィリー・ヘテロフィリーネットワーク変換の統一化
- Authors: Yan Ge, Jun Ma, Li Zhang, Haiping Lu
- Abstract要約: 高階近接(HOP)は、ほとんどのネットワーク埋め込み方法の基本です。
H2NT(homophily and heterophliy Protection Network Transformation)を提案し,ホモフィとヘテロフィアを柔軟に統一するHOPを捕捉する。
H2NTは、後者のメソッドを変更することなく、既存のネットワーク埋め込みメソッドと統合するためのエンハンサーとして使用できます。
- 参考スコア（独自算出の注目度）: 20.45207959265955
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Higher-order proximity (HOP) is fundamental for most network embedding
methods due to its significant effects on the quality of node embedding and
performance on downstream network analysis tasks. Most existing HOP definitions
are based on either homophily to place close and highly interconnected nodes
tightly in embedding space or heterophily to place distant but structurally
similar nodes together after embedding. In real-world networks, both can
co-exist, and thus considering only one could limit the prediction performance
and interpretability. However, there is no general and universal solution that
takes both into consideration. In this paper, we propose such a simple yet
powerful framework called homophily and heterophliy preserving network
transformation (H2NT) to capture HOP that flexibly unifies homophily and
heterophily. Specifically, H2NT utilises motif representations to transform a
network into a new network with a hybrid assumption via micro-level and
macro-level walk paths. H2NT can be used as an enhancer to be integrated with
any existing network embedding methods without requiring any changes to latter
methods. Because H2NT can sparsify networks with motif structures, it can also
improve the computational efficiency of existing network embedding methods when
integrated. We conduct experiments on node classification, structural role
classification and motif prediction to show the superior prediction performance
and computational efficiency over state-of-the-art methods. In particular,
DeepWalk-based H2 NT achieves 24% improvement in terms of precision on motif
prediction, while reducing 46% computational time compared to the original
DeepWalk.
- Abstract（参考訳）: 高次近接(HOP)は、ノード埋め込みの品質と下流ネットワーク解析タスクの性能に大きな影響を与えるため、ほとんどのネットワーク埋め込み手法において基礎となる。
既存の HOP の定義の多くは、密接かつ高連結なノードを埋め込み空間に密に配置するホモフィリー(英語版)、あるいは、埋め込み後の遠いが構造的に類似したノードを一緒に配置するヘテロフィリー(英語版)に基づいている。
実世界のネットワークでは、どちらも共存可能であり、予測性能と解釈可能性を制限することができるのは一人だけである。
しかし、双方を考慮に入れた一般および普遍的な解は存在しない。
本稿では,ホモフィリおよびヘテロフィリ保存ネットワークトランスフォーメーション(H2NT)と呼ばれる,ホモフィリおよびヘテロフィリを柔軟に統一したHOPを捕捉するシンプルなフレームワークを提案する。
具体的には、h2ntはモチーフ表現を使用して、マイクロレベルとマクロレベルのウォークパスを介してハイブリッドな仮定でネットワークを新しいネットワークに変換する。
h2ntは、既存のネットワーク埋め込みメソッドと統合するためのエンハンサーとして、後者のメソッドを変更することなく使用できる。
H2NTはネットワークをモチーフ構造で分散化することができるため、統合時に既存のネットワーク埋め込み手法の計算効率を向上させることもできる。
ノード分類,構造的役割分類,モチーフ予測について実験を行い,最先端手法よりも優れた予測性能と計算効率を示す。
特に、DeepWalkベースのH2 NTでは、モチーフ予測の精度が24%向上し、オリジナルのDeepWalkに比べて計算時間が46%削減された。
関連論文リスト
- Binarizing Sparse Convolutional Networks for Efficient Point Cloud
Analysis [93.55896765176414]
我々は,効率的な点群解析のためのBSC-Netと呼ばれるバイナリスパース畳み込みネットワークを提案する。
我々は,移動したスパース畳み込みにおけるサイトマッチングに最適なオプションを見つけるために,異なる検索戦略を採用している。
我々のBSC-Netは、我々の厳格なベースラインを大幅に改善し、最先端のネットワーク双対化手法より優れています。
論文 参考訳（メタデータ） (2023-03-27T13:47:06Z) - Binary Graph Convolutional Network with Capacity Exploration [58.99478502486377]
ネットワークパラメータと入力ノード属性の両方を二項化するバイナリグラフ畳み込みネットワーク(Bi-GCN)を提案する。
我々のBi-GCNは、ネットワークパラメータと入力データの両方で平均31倍のメモリ消費を削減でき、推論速度を平均51倍に加速できる。
論文 参考訳（メタデータ） (2022-10-24T12:05:17Z) - The Influence of Network Structural Preference on Node Classification
and Link Prediction [0.0]
本研究は,新しい機能抽象化手法,すなわちTransition Probabilities Matrix (TPM)を導入する。
提案手法は,3つの実世界のネットワーク上でノード識別・分類・リンク予測を行った。
論文 参考訳（メタデータ） (2022-08-07T12:56:28Z) - Propagation with Adaptive Mask then Training for Node Classification on
Attributed Networks [10.732648536892377]
属性ネットワーク上のノード分類は、ネットワーク分析に不可欠な半教師付きタスクである。
本稿では,適応マスクを用いたイットシェープ伝搬法(PAMT)を提案する。
キーとなる考え方は、属性類似性マスクを構造対応の伝搬プロセスに統合することである。
このようにして、PAMTは伝搬中の隣接ノードの属性の相関を保ち、構造ノイズの影響を効果的に低減できる。
論文 参考訳（メタデータ） (2022-06-21T06:56:58Z) - 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) - Unsupervised Domain-adaptive Hash for Networks [81.49184987430333]
ドメイン適応型ハッシュ学習はコンピュータビジョンコミュニティでかなりの成功を収めた。
UDAHと呼ばれるネットワークのための教師なしドメイン適応型ハッシュ学習手法を開発した。
論文 参考訳（メタデータ） (2021-08-20T12:09:38Z) - Beyond Homophily in Graph Neural Networks: Current Limitations and
Effective Designs [28.77753005139331]
半教師付きノード分類タスクにおけるグラフニューラルネットワークのヘテロフィリーまたは低ホモフィリー下での表現力について検討する。
多くの人気のあるGNNは、この設定を一般化することができず、グラフ構造を無視したモデルよりも優れています。
ヘテロフィリーの下でのグラフ構造からの学習を促進する重要な設計の集合を同定する。
論文 参考訳（メタデータ） (2020-06-20T02:05:01Z) - Network Adjustment: Channel Search Guided by FLOPs Utilization Ratio [101.84651388520584]
本稿では,ネットワークの精度をFLOPの関数として考慮した,ネットワーク調整という新しいフレームワークを提案する。
標準画像分類データセットと幅広いベースネットワークの実験は、我々のアプローチの有効性を実証している。
論文 参考訳（メタデータ） (2020-04-06T15:51:00Z) - Dynamic Hierarchical Mimicking Towards Consistent Optimization
Objectives [73.15276998621582]
一般化能力を高めたCNN訓練を推進するための汎用的特徴学習機構を提案する。
DSNに部分的にインスパイアされた私たちは、ニューラルネットワークの中間層から微妙に設計されたサイドブランチをフォークしました。
カテゴリ認識タスクとインスタンス認識タスクの両方の実験により,提案手法の大幅な改善が示された。
論文 参考訳（メタデータ） (2020-03-24T09:56:13Z) - Adversarial Deep Network Embedding for Cross-network Node Classification [27.777464531860325]
クロスネットワークノード分類は、ソースネットワークからの豊富なラベル付きノードを活用し、ターゲットネットワーク内のラベルなしノードの分類を支援する。
本稿では, 対向ドメイン適応とディープネットワーク埋め込みを統合するための, 対向クロスネットワークディープネットワーク埋め込みモデルを提案する。
提案したACDNEモデルは,ネットワーク間ノード分類における最先端性能を実現する。
論文 参考訳（メタデータ） (2020-02-18T04:30:43Z)
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。