Fugu-MT 論文翻訳(概要): Twitch Gamers: a Dataset for Evaluating Proximity Preserving and Structural Role-based Node Embeddings

論文の概要: Twitch Gamers: a Dataset for Evaluating Proximity Preserving and Structural Role-based Node Embeddings

arxiv url: http://arxiv.org/abs/2101.03091v2
Date: Tue, 16 Feb 2021 22:17:58 GMT
ステータス: 処理完了
システム内更新日: 2021-04-10 07:45:42.284464
Title: Twitch Gamers: a Dataset for Evaluating Proximity Preserving and Structural Role-based Node Embeddings
Title（参考訳）: twitch gamers:近接保存と構造的役割に基づくノード埋め込みを評価するデータセット
Authors: Benedek Rozemberczki and Rik Sarkar
Abstract要約: 複数のターゲット属性を持つtwitch gamersという,新たな多様なソーシャルネットワークデータセットを提案する。ソーシャルネットワークとノード分類実験の分析により,twitch gamersは新規近接保存および構造的役割に基づくノード埋め込みアルゴリズムの予測性能を評価するのに適していることが示された。
参考スコア（独自算出の注目度）: 7.23389716633927
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Proximity preserving and structural role-based node embeddings have become a prime workhorse of applied graph mining. Novel node embedding techniques are often tested on a restricted set of benchmark datasets. In this paper, we propose a new diverse social network dataset called Twitch Gamers with multiple potential target attributes. Our analysis of the social network and node classification experiments illustrate that Twitch Gamers is suitable for assessing the predictive performance of novel proximity preserving and structural role-based node embedding algorithms.
Abstract（参考訳）: 近接保存と構造的役割ベースのノード埋め込みは、応用グラフマイニングの原動力となっている。新たなノード埋め込み技術は、しばしば制限されたベンチマークデータセットでテストされる。本稿では,複数のターゲット属性を持つtwitch gamersという,新たな多様なソーシャルネットワークデータセットを提案する。ソーシャルネットワークとノード分類実験の分析により,twitch gamersは新規近接保存および構造的役割に基づくノード埋め込みアルゴリズムの予測性能を評価するのに適していることが示された。

関連論文リスト

AdaRC: Mitigating Graph Structure Shifts during Test-Time [66.40525136929398]
テスト時間適応(TTA)は、ソースドメインに再アクセスすることなく、トレーニング済みのモデルをターゲットドメインに適応できる能力によって注目を集めている。 AdaRCは,グラフの構造シフトに効果的かつ効率的な適応を意図した,革新的なフレームワークである。
論文参考訳（メタデータ） (2024-10-09T15:15:40Z)
Collaborative Graph Neural Networks for Attributed Network Embedding [63.39495932900291]
グラフニューラルネットワーク(GNN)は、属性付きネットワーク埋め込みにおいて顕著な性能を示している。本稿では,ネットワーク埋め込みに適したGNNアーキテクチャであるCulaborative graph Neural Networks-CONNを提案する。
論文参考訳（メタデータ） (2023-07-22T04:52:27Z)
Unsupervised Framework for Evaluating and Explaining Structural Node Embeddings of Graphs [2.539920413471809]
埋め込みとは、ネットワークのノードの集合から実際のベクトル空間へのマッピングである。古典的な埋め込みには、データサイエンティストが(教師なしの方法で)さらなる調査に値する埋め込みを識別するのに役立つフレームワークが存在する。本稿では,構造グラフ埋め込みの教師なしランキングのためのフレームワークを提案する。
論文参考訳（メタデータ） (2023-06-19T08:27:02Z)
A Systematic Evaluation of Node Embedding Robustness [77.29026280120277]
本研究では,ノード埋め込みモデルのランダムおよび逆毒攻撃に対する経験的ロバスト性を評価する。ネットワーク特性とノードラベルを用いて計算したエッジの追加,削除,再切り替えの戦略を比較した。その結果,ノード分類はネットワーク再構成とは対照的に,高い性能劣化に悩まされていることがわかった。
論文参考訳（メタデータ） (2022-09-16T17:20:23Z)
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)
Node Proximity Is All You Need: Unified Structural and Positional Node and Graph Embedding [18.25557372049711]
構造ノードと位置ノードの埋め込みを計算するための近接ベースの統合フレームワークであるPhUSIONを提示する。 PhUSIONノードの埋め込みを集約することで、従来のグラフ機能学習やカーネルメソッドで失われた情報をモデル化するグラフレベルの機能を得る。
論文参考訳（メタデータ） (2021-02-26T16:48:39Z)
Adversarial Context Aware Network Embeddings for Textual Networks [8.680676599607123]
既存のアプローチでは、接続ノードの埋め込みを同様のものにすることで、テキストとネットワーク構造の埋め込みを学習する。これは、これらのアプローチが埋め込みを学ぶためにエッジ情報を必要としており、目に見えないノードの埋め込みを学ぶことができないことを意味している。本稿では,モダリティ融合と未確認ノードの埋め込みを学習する能力の両方を実現するアプローチを提案する。
論文参考訳（メタデータ） (2020-11-05T05:20:01Z)
DINE: A Framework for Deep Incomplete Network Embedding [33.97952453310253]
本稿では,ディープ不完全ネットワーク埋め込み,すなわちDINEを提案する。まず、期待最大化フレームワークを用いて、部分的に観測可能なネットワーク内のノードとエッジの両方を含む欠落部分を完成させる。マルチラベル分類およびリンク予測タスクにおいて,DINEを3つのネットワーク上で評価する。
論文参考訳（メタデータ） (2020-08-09T04:59:35Z)
Graph Prototypical Networks for Few-shot Learning on Attributed Networks [72.31180045017835]
グラフメタ学習フレームワーク - Graph Prototypeal Networks (GPN) を提案する。 GPNは、属性付きネットワーク上でテキストミータ学習を行い、ターゲット分類タスクを扱うための高度に一般化可能なモデルを導出する。
論文参考訳（メタデータ） (2020-06-23T04:13:23Z)
A Self-Attention Network based Node Embedding Model [17.10479440152652]
新規な教師なし埋め込みモデルであるSANNEを提案する。我々のSANNEは、現在のノードだけでなく、新しく見つからないノードにも、プラルーシブルな埋め込みを生成することを目的としています。実験の結果,提案したSANNEはノード分類タスクの最先端結果が得られることがわかった。
論文参考訳（メタデータ） (2020-06-22T09:46:10Z)
Benchmarking Network Embedding Models for Link Prediction: Are We Making Progress? [84.43405961569256]
我々はリンク予測のためのネットワーク埋め込み手法の最先端について光を当てた。私たちは、一貫した評価パイプラインを使用して、過去数年間でわずかに進歩しただけであることを示しています。我々は、標準化された評価ツールがこの状況を修復し、この分野の将来的な進歩を促進することができると論じている。
論文参考訳（メタデータ） (2020-02-25T16:59:09Z)

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。