論文の概要: NetReAct: Interactive Learning for Network Summarization

• arxiv url: http://arxiv.org/abs/2012.11821v1
• Date: Tue, 22 Dec 2020 03:56:26 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-27 00:54:07.854497
• Title: NetReAct: Interactive Learning for Network Summarization
• Title（参考訳）: NetReAct: ネットワーク要約のための対話型学習
• Authors: Sorour E. Amiri, Bijaya Adhikari, John Wenskovitch, Alexander Rodriguez, Michelle Dowling, Chris North, and B. Aditya Prakash
• Abstract要約: 本論文では,テキストコーポラによる感覚生成のネットワーク可視化を支援する,新しいインタラクティブネットワーク要約アルゴリズムであるNetReActを提案する。 netreactが、他の非自明なベースラインよりも、隠れたパターンを明らかにする高品質な要約や視覚化の生成に成功していることを示す。
• 参考スコア（独自算出の注目度）: 60.18513812680714
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Generating useful network summaries is a challenging and important problem with several applications like sensemaking, visualization, and compression. However, most of the current work in this space do not take human feedback into account while generating summaries. Consider an intelligence analysis scenario, where the analyst is exploring a similarity network between documents. The analyst can express her agreement/disagreement with the visualization of the network summary via iterative feedback, e.g. closing or moving documents ("nodes") together. How can we use this feedback to improve the network summary quality? In this paper, we present NetReAct, a novel interactive network summarization algorithm which supports the visualization of networks induced by text corpora to perform sensemaking. NetReAct incorporates human feedback with reinforcement learning to summarize and visualize document networks. Using scenarios from two datasets, we show how NetReAct is successful in generating high-quality summaries and visualizations that reveal hidden patterns better than other non-trivial baselines.
• Abstract（参考訳）: 有用なネットワーク要約を生成することは、センスメイキング、視覚化、圧縮といったいくつかのアプリケーションにおいて、困難で重要な問題である。 しかし、この分野での現在の作業のほとんどは、要約を生成しながら人間のフィードバックを考慮に入れていない。 分析者が文書間の類似性ネットワークを探索するインテリジェンス分析シナリオを考えてみましょう。 アナリストは、反復的なフィードバックによってネットワークサマリーを視覚化することで、自身の合意/不一致を表現できる。 ドキュメント(ノード)を一緒に閉じたり移動したりする。 このフィードバックを使って、ネットワークの要約品質をどのように改善できるでしょうか? 本稿では,テキストコーパスによって引き起こされるネットワークの可視化を支援する対話型ネットワーク要約アルゴリズムであるnetreactを提案する。 NetReActは、人間からのフィードバックと強化学習を組み込んで、ドキュメントネットワークを要約し視覚化する。 2つのデータセットのシナリオを使用して、NetReActが、他の非自明なベースラインよりも隠されたパターンを明らかにする高品質な要約と視覚化を生成することに成功していることを示す。

関連論文リスト

• Designing Deep Networks for Scene Recognition [3.493180651702109]
  ネットワーク設計において広く受け入れられている原則を実証するために、広範な実験を行い、データを変更すると劇的な性能差が生じる可能性があることを実証する。 本稿では,データ指向ネットワーク設計という新しいネットワーク設計手法を提案する。 本稿では,半分未満の計算資源を用いてシーン認識性能を向上させるディープ・ナロー・ネットワークとDilated Poolingモジュールを提案する。
  論文  参考訳（メタデータ） (2023-03-13T18:28:06Z)
• TeKo: Text-Rich Graph Neural Networks with External Knowledge [75.91477450060808]
  外部知識を用いた新しいテキストリッチグラフニューラルネットワーク(TeKo)を提案する。 まず、高品質なエンティティを組み込んだフレキシブルな異種セマンティックネットワークを提案する。 次に、構造化三重項と非構造化実体記述という2種類の外部知識を導入する。
  論文  参考訳（メタデータ） (2022-06-15T02:33:10Z)
• ADMM-DAD net: a deep unfolding network for analysis compressed sensing [20.88999913266683]
  圧縮センシング解析のためのADMMアルゴリズムに基づく新しい深部展開ニューラルネットワークを提案する。 提案するネットワークは、スパーシフィケーションのための冗長解析演算子を共同で学習し、関心のシグナルを再構成する。
  論文  参考訳（メタデータ） (2021-10-13T18:56:59Z)
• Network representation learning systematic review: ancestors and current development state [1.0312968200748116]
  本稿では,ネットワーク埋め込みとして知られるネットワーク表現学習を誕生から現在までの体系的に調査する。 また,ネットワーク表現学習の理解に必要な基本概念の形式的定義も提供する。 最も一般的に使用される下流タスクは、埋め込みの評価、評価メトリクス、一般的なデータセットである。
  論文  参考訳（メタデータ） (2021-09-14T14:44:44Z)
• Temporal Graph Network Embedding with Causal Anonymous Walks Representations [54.05212871508062]
  本稿では,時間グラフネットワークに基づく動的ネットワーク表現学習のための新しいアプローチを提案する。 評価のために、時間的ネットワーク埋め込みの評価のためのベンチマークパイプラインを提供する。 欧州の大手銀行が提供した実世界のダウンストリームグラフ機械学習タスクにおいて、我々のモデルの適用性と優れた性能を示す。
  論文  参考訳（メタデータ） (2021-08-19T15:39:52Z)
• Discovering "Semantics" in Super-Resolution Networks [54.45509260681529]
  超解像(SR)は低レベルの視覚領域の基本的で代表的な課題である。 一般に、SRネットワークから抽出された特徴は特定の意味情報を持たないと考えられている。 SRネットワークで「セマンティック」を見つけることはできますか?
  論文  参考訳（メタデータ） (2021-08-01T09:12:44Z)
• Graph-Based Neural Network Models with Multiple Self-Supervised Auxiliary Tasks [79.28094304325116]
  グラフ畳み込みネットワークは、構造化されたデータポイント間の関係をキャプチャするための最も有望なアプローチである。 マルチタスク方式でグラフベースニューラルネットワークモデルを学習するための3つの新しい自己教師付き補助タスクを提案する。
  論文  参考訳（メタデータ） (2020-11-14T11:09:51Z)
• Understanding the Role of Individual Units in a Deep Neural Network [85.23117441162772]
  本稿では,画像分類と画像生成ネットワーク内の隠れ単位を系統的に同定する分析フレームワークを提案する。 まず、シーン分類に基づいて訓練された畳み込みニューラルネットワーク(CNN)を分析し、多様なオブジェクト概念にマッチするユニットを発見する。 第2に、シーンを生成するために訓練されたGANモデルについて、同様の分析手法を用いて分析する。
  論文  参考訳（メタデータ） (2020-09-10T17:59:10Z)
• Big Networks: A Survey [12.9583587501745]
  本稿では,ビッグネットワークという新しいネットワーク科学概念を紹介する。 大きなネットワークは通常、複雑で高次の内部構造を持つ大規模である。 まず,マイクロレベル,メソレベル,マクロレベルという3つのレベルから大きなネットワークの構造的特徴を紹介する。 次に、大規模ネットワーク分析の最先端トピックについて論じる。
  論文  参考訳（メタデータ） (2020-08-09T03:40:20Z)
• Temporal Network Representation Learning via Historical Neighborhoods Aggregation [28.397309507168128]
  本稿では,EHNAアルゴリズムによる埋め込みを提案する。 まず,歴史地区のノードを特定できる時間的ランダムウォークを提案する。 次に,ノード埋め込みを誘導するカスタムアテンション機構を用いたディープラーニングモデルを適用する。
  論文  参考訳（メタデータ） (2020-03-30T04:18:48Z)

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。