論文の概要: AttrE2vec: Unsupervised Attributed Edge Representation Learning
- arxiv url: http://arxiv.org/abs/2012.14727v1
- Date: Tue, 29 Dec 2020 12:20:49 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-18 20:33:46.791311
- Title: AttrE2vec: Unsupervised Attributed Edge Representation Learning
- Title（参考訳）: attre2vec: unsupervised attributed edge representation learning
- Authors: Piotr Bielak, Tomasz Kajdanowicz, Nitesh V. Chawla
- Abstract要約: 本稿では,アトリビュートネットワークにおけるエッジの低次元ベクトル表現を学習する新しい非教師付き誘導法AttrE2Vecを提案する。
実験により,現代の手法と比較して,より強力なエッジベクトル表現を構築した。
- 参考スコア（独自算出の注目度）: 22.774159996012276
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Representation learning has overcome the often arduous and manual
featurization of networks through (unsupervised) feature learning as it results
in embeddings that can apply to a variety of downstream learning tasks. The
focus of representation learning on graphs has focused mainly on shallow
(node-centric) or deep (graph-based) learning approaches. While there have been
approaches that work on homogeneous and heterogeneous networks with multi-typed
nodes and edges, there is a gap in learning edge representations. This paper
proposes a novel unsupervised inductive method called AttrE2Vec, which learns a
low-dimensional vector representation for edges in attributed networks. It
systematically captures the topological proximity, attributes affinity, and
feature similarity of edges. Contrary to current advances in edge embedding
research, our proposal extends the body of methods providing representations
for edges, capturing graph attributes in an inductive and unsupervised manner.
Experimental results show that, compared to contemporary approaches, our method
builds more powerful edge vector representations, reflected by higher quality
measures (AUC, accuracy) in downstream tasks as edge classification and edge
clustering. It is also confirmed by analyzing low-dimensional embedding
projections.
- Abstract（参考訳）: 表現学習は、様々な下流学習タスクに適用可能な埋め込みをもたらすため、(教師なしの)特徴学習を通じて、しばしば困難で手動によるネットワークの成果化を克服してきた。
グラフにおける表現学習の焦点は主に浅い(ノード中心)または深い(グラフベース)学習アプローチに焦点を当てている。
マルチタイプノードとエッジを持つ同種ネットワークや異種ネットワークで作業するアプローチは存在するが、エッジ表現の学習にはギャップがある。
本稿では,属性ネットワークにおけるエッジの低次元ベクトル表現を学習する,AttrE2Vecと呼ばれる新しい教師なし帰納法を提案する。
トポロジカルな近接を体系的に捉え、属性親和性、エッジの類似性を特徴付ける。
エッジ埋め込み研究の進歩とは対照的に,提案手法はエッジの表現を提供し,グラフ属性を帰納的かつ教師なしな方法でキャプチャする手法の体系を拡張した。
実験の結果,現代の手法と比較して,エッジ分類やエッジクラスタリングなどの下流タスクにおいて,より高品質な尺度(auc,精度)が反映され,より強力なエッジベクトル表現を構築できることがわかった。
低次元埋め込み射影の解析によっても確認される。
関連論文リスト
- GASE: Graph Attention Sampling with Edges Fusion for Solving Vehicle Routing Problems [6.084414764415137]
車両のルーティング問題を解決するためにEdges Fusionフレームワークを用いた適応型グラフ注意サンプリングを提案する。
提案手法は,既存の手法を2.08%-6.23%上回り,より強力な一般化能力を示す。
論文 参考訳（メタデータ） (2024-05-21T03:33:07Z) - PENet: A Joint Panoptic Edge Detection Network [9.115443186505958]
本稿では,セマンティックエッジ検出とインスタンスレベルの認識を組み合わせた新しい検出ネットワークPENetを提案する。
提案手法の有効性を実世界のCityscapesデータセットで検証した。
論文 参考訳（メタデータ） (2023-03-15T18:01:01Z) - Refined Edge Usage of Graph Neural Networks for Edge Prediction [51.06557652109059]
We propose a novel edge prediction paradigm named Edge-aware Message PassIng neuRal nEtworks (EMPIRE)。
まず,各エッジをトポロジや監督のためにのみ使用するエッジ分割手法を提案する。
監視エッジで接続されたペアと接続されていないペアの差を強調するために、さらにメッセージを重み付けして、その差を反映できる相対的なペアを強調します。
論文 参考訳（メタデータ） (2022-12-25T23:19:56Z) - Beyond Smoothing: Unsupervised Graph Representation Learning with Edge
Heterophily Discriminating [40.916070587912785]
We propose a novel unsupervised Graph Representation learning method with Edge hEterophily discrimina Ting (GREET)。
GREETはホモフィリックエッジとヘテロフィリックエッジを識別し活用することで表現を学習する。
GRETの優位性を示すため,14のベンチマークデータセットと複数の学習シナリオについて広範な実験を行った。
論文 参考訳（メタデータ） (2022-11-25T12:39:41Z) - Learnable Graph Convolutional Network and Feature Fusion for Multi-view
Learning [30.74535386745822]
本稿では,Learningable Graph Convolutional Network and Feature Fusion (LGCN-FF) と呼ばれる統合ディープラーニングフレームワークを提案する。
特徴融合ネットワークと学習可能なグラフ畳み込みネットワークの2つのステージで構成されている。
提案したLGCN-FFは,多視点半教師付き分類において,様々な最先端手法よりも優れていることが検証された。
論文 参考訳（メタデータ） (2022-11-16T19:07:12Z) - Interpolation-based Correlation Reduction Network for Semi-Supervised
Graph Learning [49.94816548023729]
補間型相関低減ネットワーク(ICRN)と呼ばれる新しいグラフコントラスト学習手法を提案する。
提案手法では,決定境界のマージンを大きくすることで,潜在特徴の識別能力を向上させる。
この2つの設定を組み合わせることで、豊富なラベル付きノードと稀に価値あるラベル付きノードから豊富な監視情報を抽出し、離散表現学習を行う。
論文 参考訳（メタデータ） (2022-06-06T14:26:34Z) - LEAD: Self-Supervised Landmark Estimation by Aligning Distributions of
Feature Similarity [49.84167231111667]
自己監督型ランドマーク検出における既存の研究は、画像から高密度(ピクセルレベルの)特徴表現を学習することに基づいている。
自己教師付き方式で高密度同変表現の学習を強化するアプローチを提案する。
機能抽出器にそのような先行性があることは,アノテーションの数が大幅に制限されている場合でも,ランドマーク検出に役立ちます。
論文 参考訳（メタデータ） (2022-04-06T17:48:18Z) - Bayesian Graph Contrastive Learning [55.36652660268726]
本稿では,ランダムな拡張がエンコーダにつながることを示すグラフコントラスト学習手法の新たな視点を提案する。
提案手法は,各ノードを決定論的ベクトルに埋め込む既存の手法とは対照的に,各ノードを潜在空間の分布で表現する。
いくつかのベンチマークデータセットにおける既存の最先端手法と比較して,性能が大幅に向上したことを示す。
論文 参考訳（メタデータ） (2021-12-15T01:45:32Z) - Visualization of Supervised and Self-Supervised Neural Networks via
Attribution Guided Factorization [87.96102461221415]
クラスごとの説明性を提供するアルゴリズムを開発した。
実験の広範なバッテリーでは、クラス固有の可視化のための手法の能力を実証する。
論文 参考訳（メタデータ） (2020-12-03T18:48:39Z) - Weakly-Supervised Semantic Segmentation by Iterative Affinity Learning [86.45526827323954]
弱教師付きセマンティックセグメンテーションは、トレーニングのためにピクセル単位のラベル情報が提供されないため、難しい課題である。
このようなペア関係を学習するための反復アルゴリズムを提案する。
本稿では,提案アルゴリズムが最先端手法に対して好適に動作することを示す。
論文 参考訳（メタデータ） (2020-02-19T10:32:03Z)
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。