論文の概要: Self-Supervised Deep Graph Embedding with High-Order Information Fusion
for Community Discovery
- arxiv url: http://arxiv.org/abs/2102.03302v1
- Date: Fri, 5 Feb 2021 17:22:28 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-08 12:58:43.143236
- Title: Self-Supervised Deep Graph Embedding with High-Order Information Fusion
for Community Discovery
- Title（参考訳）: コミュニティディスカバリーのための高次情報融合による自己監督型ディープグラフ埋め込み
- Authors: Shuliang Xu and Lin Feng
- Abstract要約: 提案アルゴリズムは,複数の深部グラフ畳み込みニューラルネットワークを学習するために,自己教師機構とグラフの高次情報を用いている。
複数のグラフ畳み込みニューラルネットワークの出力を融合して、グラフの属性と構造情報を含むノードの表現を抽出する。
- 参考スコア（独自算出の注目度）: 2.80641367260203
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deep graph embedding is an important approach for community discovery. Deep
graph neural network with self-supervised mechanism can obtain the
low-dimensional embedding vectors of nodes from unlabeled and unstructured
graph data. The high-order information of graph can provide more abundant
structure information for the representation learning of nodes. However, most
self-supervised graph neural networks only use adjacency matrix as the input
topology information of graph and cannot obtain too high-order information
since the number of layers of graph neural network is fairly limited. If there
are too many layers, the phenomenon of over smoothing will appear. Therefore
how to obtain and fuse high-order information of graph by a shallow graph
neural network is an important problem. In this paper, a deep graph embedding
algorithm with self-supervised mechanism for community discovery is proposed.
The proposed algorithm uses self-supervised mechanism and different high-order
information of graph to train multiple deep graph convolution neural networks.
The outputs of multiple graph convolution neural networks are fused to extract
the representations of nodes which include the attribute and structure
information of a graph. In addition, data augmentation and negative sampling
are introduced into the training process to facilitate the improvement of
embedding result. The proposed algorithm and the comparison algorithms are
conducted on the five experimental data sets. The experimental results show
that the proposed algorithm outperforms the comparison algorithms on the most
experimental data sets. The experimental results demonstrate that the proposed
algorithm is an effective algorithm for community discovery.
- Abstract（参考訳）: ディープグラフ埋め込みは、コミュニティ発見の重要なアプローチである。
自己教師機構を持つディープグラフニューラルネットワークは、ラベルなしおよび非構造化グラフデータからノードの低次元埋め込みベクトルを得ることができる。
グラフの高次情報は、ノードの表現学習により多くの構造情報を提供することができる。
しかし、ほとんどの自己監視型グラフニューラルネットワークは、隣接行列をグラフの入力トポロジ情報としてのみ使用し、グラフニューラルネットワークの層数がかなり限られているため、高階情報を得ることができない。
レイヤーが多すぎると、過度の平滑化の現象が現れます。
したがって、浅層グラフニューラルネットワークによるグラフの高次情報取得と融合は重要な課題である。
本稿では,コミュニティ発見のための自己監視機構を備えたディープグラフ埋め込みアルゴリズムを提案する。
提案アルゴリズムは,複数のディープグラフ畳み込みニューラルネットワークを訓練するために,自己監視機構とグラフの異なる高階情報を用いる。
複数のグラフ畳み込みニューラルネットワークの出力を融合して、グラフの属性と構造情報を含むノードの表現を抽出します。
また、トレーニングプロセスにデータ拡張と負サンプリングを導入することにより、埋め込み結果の改善が容易になる。
提案アルゴリズムと比較アルゴリズムは5つの実験データセット上で実行される。
実験の結果,提案アルゴリズムは,最も実験的なデータセットにおける比較アルゴリズムよりも優れていることがわかった。
実験結果は,提案アルゴリズムがコミュニティ発見に有効なアルゴリズムであることを示した。
関連論文リスト
- Deep Manifold Graph Auto-Encoder for Attributed Graph Embedding [51.75091298017941]
本稿では,属性付きグラフデータに対する新しいDeep Manifold (Variational) Graph Auto-Encoder (DMVGAE/DMGAE)を提案する。
提案手法は,最先端のベースラインアルゴリズムを,一般的なデータセット間でのダウンストリームタスクの差を大きく越える。
論文 参考訳（メタデータ） (2024-01-12T17:57:07Z) - NodeFormer: A Scalable Graph Structure Learning Transformer for Node
Classification [70.51126383984555]
本稿では,任意のノード間のノード信号を効率的に伝搬する全ペアメッセージパッシング方式を提案する。
効率的な計算は、カーナライズされたGumbel-Softmax演算子によって実現される。
グラフ上のノード分類を含む様々なタスクにおいて,本手法の有望な有効性を示す実験を行った。
論文 参考訳（メタデータ） (2023-06-14T09:21:15Z) - Learning Graph Structure from Convolutional Mixtures [119.45320143101381]
本稿では、観測されたグラフと潜伏グラフのグラフ畳み込み関係を提案し、グラフ学習タスクをネットワーク逆(デコンボリューション)問題として定式化する。
固有分解に基づくスペクトル法の代わりに、近似勾配反復をアンロール・トランケートして、グラフデコンボリューションネットワーク(GDN)と呼ばれるパラメータ化ニューラルネットワークアーキテクチャに到達させる。
GDNは、教師付き方式でグラフの分布を学習し、損失関数を適応させることでリンク予測やエッジウェイト回帰タスクを実行し、本質的に帰納的である。
論文 参考訳（メタデータ） (2022-05-19T14:08:15Z) - Optimal Propagation for Graph Neural Networks [51.08426265813481]
最適グラフ構造を学習するための二段階最適化手法を提案する。
また、時間的複雑さをさらに軽減するために、低ランク近似モデルについても検討する。
論文 参考訳（メタデータ） (2022-05-06T03:37:00Z) - Graph Decipher: A transparent dual-attention graph neural network to
understand the message-passing mechanism for the node classification [2.0047096160313456]
本稿では,メッセージパッシング機構を調べるために,Graph Decipherと呼ばれる新しい透過型ネットワークを提案する。
本アルゴリズムは,ノード分類タスクの負荷を大幅に低減しつつ,最先端の性能を実現する。
論文 参考訳（メタデータ） (2022-01-04T23:24:00Z) - Co-embedding of Nodes and Edges with Graph Neural Networks [13.020745622327894]
グラフ埋め込みは、高次元および非ユークリッド特徴空間でデータ構造を変換しエンコードする方法である。
CensNetは一般的なグラフ埋め込みフレームワークで、ノードとエッジの両方を潜在機能空間に埋め込む。
提案手法は,4つのグラフ学習課題における最先端のパフォーマンスを達成または一致させる。
論文 参考訳（メタデータ） (2020-10-25T22:39:31Z) - Towards Deeper Graph Neural Networks [63.46470695525957]
グラフ畳み込みは近傍の集約を行い、最も重要なグラフ操作の1つである。
いくつかの最近の研究で、この性能劣化は過度に滑らかな問題に起因している。
本研究では,大きな受容領域からの情報を適応的に組み込むディープ適応グラフニューラルネットワーク(DAGNN)を提案する。
論文 参考訳（メタデータ） (2020-07-18T01:11:14Z) - Graph Pooling with Node Proximity for Hierarchical Representation
Learning [80.62181998314547]
本稿では,ノード近接を利用したグラフプーリング手法を提案し,そのマルチホップトポロジを用いたグラフデータの階層的表現学習を改善する。
その結果,提案したグラフプーリング戦略は,公開グラフ分類ベンチマークデータセットの集合において,最先端のパフォーマンスを達成できることが示唆された。
論文 参考訳（メタデータ） (2020-06-19T13:09:44Z) - Unsupervised Graph Representation by Periphery and Hierarchical
Information Maximization [18.7475578342125]
グラフニューラルネットワークの発明により、ベクトル空間におけるノードとグラフ全体の表現の最先端性が向上した。
グラフ表現全体について、既存のグラフニューラルネットワークの大部分は、教師付き方法でグラフ分類損失に基づいてトレーニングされている。
本稿では,グラフ全体のベクトル表現を生成するための教師なしグラフニューラルネットワークを提案する。
論文 参考訳（メタデータ） (2020-06-08T15:50:40Z)
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。