論文の概要: Understanding Higher-order Structures in Evolving Graphs: A Simplicial
Complex based Kernel Estimation Approach
- arxiv url: http://arxiv.org/abs/2102.03609v1
- Date: Sat, 6 Feb 2021 16:49:02 GMT
- ステータス: 翻訳完了
- システム内更新日: 2021-02-10 07:38:04.166721
- Title: Understanding Higher-order Structures in Evolving Graphs: A Simplicial
Complex based Kernel Estimation Approach
- Title（参考訳）: 進化するグラフの高次構造を理解する:単純複素数に基づくカーネル推定アプローチ
- Authors: Manohar Kaul and Masaaki Imaizumi
- Abstract要約: 高階構造予測法は主に特徴抽出法に基づいており、実際はうまく機能するが理論的保証がない。
我々は、時間プロセスの観点から、進化するグラフを眺める単純化のための非パラメトリックカーネル推定器を開発する。
提案手法は,いくつかのベースライン高次予測法より大幅に優れる。
- 参考スコア（独自算出の注目度）: 22.818503693119315
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Dynamic graphs are rife with higher-order interactions, such as co-authorship
relationships and protein-protein interactions in biological networks, that
naturally arise between more than two nodes at once. In spite of the ubiquitous
presence of such higher-order interactions, limited attention has been paid to
the higher-order counterpart of the popular pairwise link prediction problem.
Existing higher-order structure prediction methods are mostly based on
heuristic feature extraction procedures, which work well in practice but lack
theoretical guarantees. Such heuristics are primarily focused on predicting
links in a static snapshot of the graph. Moreover, these heuristic-based
methods fail to effectively utilize and benefit from the knowledge of latent
substructures already present within the higher-order structures. In this
paper, we overcome these obstacles by capturing higher-order interactions
succinctly as \textit{simplices}, model their neighborhood by face-vectors, and
develop a nonparametric kernel estimator for simplices that views the evolving
graph from the perspective of a time process (i.e., a sequence of graph
snapshots). Our method substantially outperforms several baseline higher-order
prediction methods. As a theoretical achievement, we prove the consistency and
asymptotic normality in terms of the Wasserstein distance of our estimator
using Stein's method.
- Abstract（参考訳）: 動的グラフは、生物ネットワークにおける共著者関係やタンパク質-タンパク質相互作用のような、自然に2つ以上のノード間で発生する高次相互作用を持つ。
このような高次相互作用のユビキタスな存在にもかかわらず、人気のあるペアワイズリンク予測問題の高次対応に限られた注意が払われています。
既存の高階構造予測法は主にヒューリスティックな特徴抽出法に基づいており、実際はうまく機能するが理論的な保証がない。
このようなヒューリスティックスは主に、グラフの静的スナップショットにおけるリンクの予測に重点を置いている。
さらに、これらのヒューリスティックベースの方法は、高階構造の中に既に存在する潜在部分構造に関する知識を効果的に利用し、恩恵を受けることができない。
本稿では,高次相互作用を‘textit{simplices}’と簡潔に捉え,その近傍を顔ベクトルでモデル化し,時間的プロセス(グラフスナップショットのシーケンス)の観点から進化するグラフを見るための非パラメトリックカーネル推定器を開発することにより,これらの障害を克服する。
提案手法は,いくつかのベースライン高次予測法より大幅に優れる。
理論的な成果として,Stein 法を用いた推定器の Wasserstein 距離の観点から,整合性と無症状の正規性を証明した。
関連論文リスト
- ExMAG: Learning of Maximally Ancestral Graphs [2.740961764574832]
本稿では,最大祖先グラフを学習するためのスコアベース学習アルゴリズムを提案する。
提案手法は,25変数までの小型・中規模の合成インスタンスに適用した場合,より正確な結果が得られることを示す。
論文 参考訳（メタデータ） (2025-03-11T10:08:39Z) - SPHINX: Structural Prediction using Hypergraph Inference Network [19.853413818941608]
本稿では,非教師付き手法で遅延ハイパーグラフ構造を推論するモデルであるハイパーグラフ推論ネットワーク(SPHINX)を用いた構造予測を提案する。
k-サブセットサンプリングの最近の進歩は、離散ハイパーグラフ構造を生成するのに適したツールであることを示す。
結果として得られるモデルは、現代のハイパーグラフニューラルネットワークに必要な高次構造を生成することができる。
論文 参考訳（メタデータ） (2024-10-04T07:49:57Z) - Graph Generation with Diffusion Mixture [57.78958552860948]
グラフの生成は、非ユークリッド構造の複雑な性質を理解する必要がある実世界のタスクにとって大きな課題である。
本稿では,拡散過程の最終グラフ構造を明示的に学習することにより,グラフのトポロジーをモデル化する生成フレームワークを提案する。
論文 参考訳（メタデータ） (2023-02-07T17:07:46Z) - Beyond spectral gap (extended): The role of the topology in
decentralized learning [58.48291921602417]
機械学習モデルのデータ並列最適化では、労働者はモデルの推定値を改善するために協力する。
現在の理論では、コラボレーションはトレーニング単独よりも学習率が大きいことを説明していない。
本稿では,疎結合分散最適化の正確な図面を描くことを目的とする。
論文 参考訳（メタデータ） (2023-01-05T16:53:38Z) - Learning the Evolutionary and Multi-scale Graph Structure for
Multivariate Time Series Forecasting [50.901984244738806]
時系列の進化的・マルチスケール相互作用をモデル化する方法を示す。
特に、まず、拡張畳み込みと協調して、スケール固有の相関を捉える階層グラフ構造を提供する。
最終的な予測を得るために上記のコンポーネントを統合するために、統合ニューラルネットワークが提供される。
論文 参考訳（メタデータ） (2022-06-28T08:11:12Z) - 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) - Heterogeneous Graph Neural Networks using Self-supervised Reciprocally
Contrastive Learning [102.9138736545956]
不均一グラフニューラルネットワーク(HGNN)は異種グラフのモデリングと解析において非常に一般的な手法である。
我々は,ノード属性とグラフトポロジの各ガイダンスに関する2つの視点を取り入れた,新規で頑健なヘテロジニアスグラフコントラスト学習手法であるHGCLを初めて開発する。
この新しいアプローチでは,属性とトポロジに関連情報を別々にマイニングする手法として,異なるが最も適した属性とトポロジの融合機構を2つの視点に適用する。
論文 参考訳（メタデータ） (2022-04-30T12:57:02Z) - Convergent Boosted Smoothing for Modeling Graph Data with Tabular Node
Features [46.052312251801]
本稿では,グラフ伝播ステップでブースティングを反復するフレームワークを提案する。
我々のアプローチは、原則化されたメタロス関数に固定されている。
様々な非イドグラフデータセットに対して,本手法は同等あるいは優れた性能を実現する。
論文 参考訳（メタデータ） (2021-10-26T04:53:12Z) - Link Prediction on N-ary Relational Facts: A Graph-based Approach [18.01071110085996]
知識グラフ(KG)のリンク予測は重要な研究トピックである。
本稿では,n-項関係の事実に対するリンク予測を考察し,この課題に対するグラフベースアプローチを提案する。
論文 参考訳（メタデータ） (2021-05-18T12:40:35Z) - A Generalized Weisfeiler-Lehman Graph Kernel [2.959278299317192]
Weisfeiler-Lehmanグラフカーネルは、その顕著な時間複雑性と予測性能のため、最も一般的なグラフカーネルの一つである。
等式ではなく木間の類似性を考慮したWeisfeiler-Lehmanグラフカーネルの一般化を提案する。
論文 参考訳（メタデータ） (2021-01-20T13:03:51Z) - Neuralizing Efficient Higher-order Belief Propagation [19.436520792345064]
より優れたノードとグラフ表現を学習するためのアプローチを組み合わせることを提案する。
我々は高次PGMに対する効率的な近似積ループ的信念伝搬推定アルゴリズムを導出する。
我々のモデルは実際に高次情報をキャプチャし、分子データセットにおける最先端の$k$のグラフニューラルネットワークよりも大幅に優れています。
論文 参考訳（メタデータ） (2020-10-19T07:51:31Z) - Block-Approximated Exponential Random Graphs [77.4792558024487]
指数乱グラフ(ERG)の分野における重要な課題は、大きなグラフ上の非自明なERGの適合である。
本稿では,非自明なERGに対する近似フレームワークを提案する。
我々の手法は、数百万のノードからなるスパースグラフにスケーラブルである。
論文 参考訳（メタデータ） (2020-02-14T11:42:16Z)
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。