Fugu-MT 論文翻訳(概要): NEMR: Network Embedding on Metric of Relation

論文の概要: NEMR: Network Embedding on Metric of Relation

arxiv url: http://arxiv.org/abs/2101.08020v1
Date: Wed, 20 Jan 2021 08:35:03 GMT
ステータス: 処理完了
システム内更新日: 2021-03-22 01:20:19.230102
Title: NEMR: Network Embedding on Metric of Relation
Title（参考訳）: NEMR:関係のメトリクスに関するネットワーク埋め込み
Authors: Luodi Xie, Hong Shen, Jiaxin Ren
Abstract要約: 本稿では,関係計量空間におけるノードの埋め込みを効率的に学習する,NEMR(Network Embedding on the Metric of Relation)と呼ばれる新しい手法を提案する。私たちのNEMRは、マルチパスの等価性だけでなく、ノードの埋め込みを推論するときのシングルパスの自然な順序も考慮しています。いくつかの公開データセットの実験結果は、NEMRが関連する推論タスクにおいて最先端の手法より優れていることを示している。
参考スコア（独自算出の注目度）: 2.2430705836627154
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Network embedding maps the nodes of a given network into a low-dimensional space such that the semantic similarities among the nodes can be effectively inferred. Most existing approaches use inner-product of node embedding to measure the similarity between nodes leading to the fact that they lack the capacity to capture complex relationships among nodes. Besides, they take the path in the network just as structural auxiliary information when inferring node embeddings, while paths in the network are formed with rich user informations which are semantically relevant and cannot be ignored. In this paper, We propose a novel method called Network Embedding on the Metric of Relation, abbreviated as NEMR, which can learn the embeddings of nodes in a relational metric space efficiently. First, our NEMR models the relationships among nodes in a metric space with deep learning methods including variational inference that maps the relationship of nodes to a gaussian distribution so as to capture the uncertainties. Secondly, our NEMR considers not only the equivalence of multiple-paths but also the natural order of a single-path when inferring embeddings of nodes, which makes NEMR can capture the multiple relationships among nodes since multiple paths contain rich user information, e.g., age, hobby and profession. Experimental results on several public datasets show that the NEMR outperforms the state-of-the-art methods on relevant inference tasks including link prediction and node classification.
Abstract（参考訳）: ネットワーク埋め込みは、与えられたネットワークのノードを低次元空間にマッピングし、ノード間のセマンティックな類似性を効果的に推測する。既存のアプローチでは、ノード間の類似度を測定するためにノード埋め込みの内積を使用するため、ノード間の複雑な関係をキャプチャする能力が欠如している。さらに、ノード埋め込みを推測する場合、ネットワーク内のパスは構造的な補助情報として、ネットワーク内のパスは意味的に関連があり無視できないリッチなユーザ情報で形成される。本稿では,関係計量空間におけるノードの埋め込みを効率的に学習する,NEMR(Network Embedding on the Metric of Relation)と呼ばれる新しい手法を提案する。まず、我々のNEMRは、不確かさを捉えるために、ノードの関係をガウス分布にマッピングする変分推論を含む深層学習手法を用いて、計量空間内のノード間の関係をモデル化する。第2に,複数パスの等価性だけでなく,ノードの埋め込みを推測する場合の単一パスの自然な順序も考慮し,複数のパスがリッチなユーザ情報,例えば年齢,趣味,職業などを含むため,ノード間の多重関係を捉えることができる。いくつかの公開データセットの実験結果は、NEMRがリンク予測やノード分類を含む関連する推論タスクにおいて最先端の手法より優れていることを示している。

関連論文リスト

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)
Associative Learning for Network Embedding [20.873120242498292]
新たな視点からネットワーク埋め込み手法を提案する。ネットワークは各ノードの内容とそのノードの隣人との関係を学習する。提案手法は,ノード分類やリンク予測などの下流タスクに対して評価を行う。
論文参考訳（メタデータ） (2022-08-30T16:35:45Z)
Pay Attention to Relations: Multi-embeddings for Attributed Multiplex Networks [0.0]
RAHMeNは、属性付き異種多重ネットワークのための新しい統合型関係認識組込みフレームワークである。本モデルでは,ノード属性,モチーフに基づく特徴,関係性に基づくGCNアプローチ,ノードの埋め込みを学習するための関係性自己アテンションが組み込まれている。我々は,Amazon,Twitter,YouTube,Tio PPIの4つの実世界のデータセットを,トランスダクティブおよびインダクティブの両方で評価した。
論文参考訳（メタデータ） (2022-03-03T18:31:29Z)
On the Power of Gradual Network Alignment Using Dual-Perception Similarities [14.779474659172923]
ネットワークアライメント(NA)は、ネットワーク構造とノード属性に基づいて、2つのネットワーク間のノードの対応を見つけるタスクである。我々の研究は、既存のNA手法のほとんどが一度に全てのノード対を発見しようとしたため、ノード対応の暫定的な発見によって得られた情報を利用していないという事実に動機づけられている。強い一貫性を示すノード対をフル活用することにより、ノード対を徐々に発見する新しいNA法であるGrad-Alignを提案する。
論文参考訳（メタデータ） (2022-01-26T14:01:32Z)
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)
Two-Bit Aggregation for Communication Efficient and Differentially Private Federated Learning [79.66767935077925]
フェデレートラーニング(FL)では、機械学習モデルは、データをローカルに保ち、他のノードと共有しない状態で、複数のノードで分散的にトレーニングされる。ノードからサーバに送信された情報は、各ノードのローカルデータの詳細を明らかにする可能性があるため、プライバシー上の懸念が生じる。差分プライバシーを保証し、アップリンク通信オーバーヘッドを低減した2ビットアグリゲーションアルゴリズムを提案する。
論文参考訳（メタデータ） (2021-10-06T19:03:58Z)
Noise-robust Graph Learning by Estimating and Leveraging Pairwise Interactions [123.07967420310796]
本稿では,グラフ上のノイズノード分類のためのペアワイズフレームワークを提案することにより,そのギャップを埋める。 PI-GNNは、ノイズの多いノードクラスラベルからのポイントワイズ学習に加えて、PIを一次学習プロキシとして依存している。提案するフレームワークPI-GNNは,(1)PIラベルを適応的に推定する信頼度を考慮したPI推定モデル,(2)PIラベルを推定する疎結合トレーニング手法の2つの新しい構成要素に寄与する。
論文参考訳（メタデータ） (2021-06-14T14:23:08Z)
Reinforced Neighborhood Selection Guided Multi-Relational Graph Neural Networks [68.9026534589483]
RioGNNはReinforceed, recursive, flexible neighborhood selection guided multi-relational Graph Neural Network architectureである。 RioGNNは、各関係の個々の重要性の認識により、説明性を高めた差別的なノード埋め込みを学ぶことができる。
論文参考訳（メタデータ） (2021-04-16T04:30:06Z)
Node2Seq: Towards Trainable Convolutions in Graph Neural Networks [59.378148590027735]
今回提案するグラフネットワーク層であるNode2Seqは,隣接ノードの重みを明示的に調整可能なノード埋め込みを学習する。対象ノードに対して,当手法は注意メカニズムを介して隣接ノードをソートし,さらに1D畳み込みニューラルネットワーク(CNN)を用いて情報集約のための明示的な重み付けを行う。また, 特徴学習のための非局所的情報を, 注意スコアに基づいて適応的に組み込むことを提案する。
論文参考訳（メタデータ） (2021-01-06T03:05:37Z)
Discovering alignment relations with Graph Convolutional Networks: a biomedical case study [9.567950832094668]
本稿では,グラフ畳み込みネットワークを用いたノード埋め込み学習により,知識グラフ内のノードをマッチングすることを提案する。薬理ゲノミクス分野における知識整合の現実的応用について,本手法を用いて実験を行った。
論文参考訳（メタデータ） (2020-11-11T19:19:20Z)

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。