論文の概要: Evaluating Node Embeddings of Complex Networks
- arxiv url: http://arxiv.org/abs/2102.08275v1
- Date: Tue, 16 Feb 2021 16:55:29 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-18 07:52:08.835074
- Title: Evaluating Node Embeddings of Complex Networks
- Title（参考訳）: 複雑ネットワークのノード埋め込みの評価
- Authors: Arash Dehghan-Kooshkghazi, Bogumi{\l} Kami\'nski, {\L}ukasz
Krai\'nski, Pawe{\l} Pra{\l}at, Fran\c{c}ois Th\'eberge
- Abstract要約: agood embeddedはグラフトポロジー、ノード間関係、およびグラフに関する他の関連情報をキャプチャする。
主な課題は、埋め込みがグラフの特性をうまく記述することを保証する必要があることである。
実世界のネットワーク上でも人工的に生成されたものでも、選択したグラフ埋め込みアルゴリズムを用いて一連の実験を行う。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Graph embedding is a transformation of nodes of a graph into a set of
vectors. A~good embedding should capture the graph topology, node-to-node
relationship, and other relevant information about the graph, its subgraphs,
and nodes. If these objectives are achieved, an embedding is a meaningful,
understandable, compressed representations of a network that can be used for
other machine learning tools such as node classification, community detection,
or link prediction. The main challenge is that one needs to make sure that
embeddings describe the properties of the graphs well. As a result, selecting
the best embedding is a challenging task and very often requires domain
experts. In this paper, we do a series of extensive experiments with selected
graph embedding algorithms, both on real-world networks as well as artificially
generated ones. Based on those experiments we formulate two general
conclusions. First, if one needs to pick one embedding algorithm before running
the experiments, then node2vec is the best choice as it performed best in our
tests. Having said that, there is no single winner in all tests and,
additionally, most embedding algorithms have hyperparameters that should be
tuned and are randomized. Therefore, our main recommendation for practitioners
is, if possible, to generate several embeddings for a problem at hand and then
use a general framework that provides a tool for an unsupervised graph
embedding comparison. This framework (introduced recently in the literature and
easily available on GitHub repository) assigns the divergence score to
embeddings to help distinguish good ones from bad ones.
- Abstract（参考訳）: グラフ埋め込みはグラフのノードをベクトルの集合に変換するものである。
a~グッド埋め込みは、グラフトポロジー、ノード間関係、およびグラフ、サブグラフ、ノードに関するその他の関連情報をキャプチャする。
これらの目的が達成されれば、埋め込みは意味のある、理解可能な、圧縮されたネットワーク表現であり、ノード分類、コミュニティ検出、リンク予測などの他の機械学習ツールに使用できる。
主な課題は、埋め込みがグラフの特性をうまく記述することを保証する必要があることである。
その結果、最高の埋め込みを選択することは困難な作業であり、しばしばドメインの専門家が必要です。
本稿では,実世界のネットワークと人工的に生成したグラフの埋め込みアルゴリズムを用いて,様々な実験を行う。
これらの実験に基づいて、2つの一般的な結論を定式化する。
まず、実験を行う前に1つの埋め込みアルゴリズムを選択する必要がある場合、node2vecはテストで一番うまく機能するので、最良の選択です。
とはいえ、すべてのテストで唯一の勝者はなく、ほとんどの埋め込みアルゴリズムは調整されランダム化されるべきハイパーパラメータを持っている。
したがって,可能であれば,手前の問題に対していくつかの埋め込みを生成し,教師なしグラフ埋め込み比較のためのツールを提供する汎用フレームワークを使用することが推奨される。
このフレームワーク(最近文献で紹介され、GitHubリポジトリで簡単に利用できる)は、良いものを悪いものと区別するのに役立つ埋め込みに分岐スコアを割り当てます。
関連論文リスト
- The Heterophilic Snowflake Hypothesis: Training and Empowering GNNs for Heterophilic Graphs [59.03660013787925]
ヘテロフィリー・スノーフレーク仮説を導入し、ヘテロ親和性グラフの研究をガイドし、促進するための効果的なソリューションを提供する。
観察の結果,我々のフレームワークは多種多様なタスクのための多目的演算子として機能することがわかった。
さまざまなGNNフレームワークに統合することができ、パフォーマンスを詳細に向上し、最適なネットワーク深さを選択するための説明可能なアプローチを提供する。
論文 参考訳（メタデータ） (2024-06-18T12:16:00Z) - GRAN is superior to GraphRNN: node orderings, kernel- and graph
embeddings-based metrics for graph generators [0.6816499294108261]
本研究では,グラフ不変量の分布に関するカーネルベースのメトリクスと,グラフ埋め込み空間における多様体ベースのメトリクスとカーネルベースのメトリクスについて検討する。
グラフの2つのよく知られた生成モデルであるGraphRNNとGRANを比較し、ノード順序の影響を明らかにする。
論文 参考訳（メタデータ） (2023-07-13T12:07:39Z) - 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) - Rethinking Explaining Graph Neural Networks via Non-parametric Subgraph
Matching [68.35685422301613]
そこで我々はMatchExplainerと呼ばれる新しい非パラメトリックな部分グラフマッチングフレームワークを提案し、説明的部分グラフを探索する。
ターゲットグラフと他のインスタンスを結合し、ノードに対応する距離を最小化することで最も重要な結合部分構造を識別する。
合成および実世界のデータセットの実験は、最先端のパラメトリックベースラインをかなりのマージンで上回り、MatchExplainerの有効性を示す。
論文 参考訳（メタデータ） (2023-01-07T05:14:45Z) - A Robust Stacking Framework for Training Deep Graph Models with
Multifaceted Node Features [61.92791503017341]
数値ノード特徴とグラフ構造を入力とするグラフニューラルネットワーク(GNN)は,グラフデータを用いた各種教師付き学習タスクにおいて,優れた性能を示した。
IID(non-graph)データをGNNに簡単に組み込むことはできない。
本稿では、グラフ認識の伝播をIDデータに意図した任意のモデルで融合するロバストな積み重ねフレームワークを提案する。
論文 参考訳（メタデータ） (2022-06-16T22:46:33Z) - A Multi-purposed Unsupervised Framework for Comparing Embeddings of
Undirected and Directed Graphs [0.0]
筆者らが最近導入したグラフ埋め込み評価フレームワークを拡張した。
適切な埋め込みは、基礎となるグラフトポロジと構造、ノード間関係、その他の関連する情報をキャプチャする必要がある。
フレームワークは柔軟でスケーラブルで、非指向/指向/重み付き/非重み付きグラフを扱うことができる。
論文 参考訳（メタデータ） (2021-11-30T20:20:30Z) - Transformation of Node to Knowledge Graph Embeddings for Faster Link
Prediction in Social Networks [2.458658951393896]
ニューラルネットワークの最近の進歩は、リンク予測、ノード分類、ノードクラスタリング、ノードレコメンデーションといった一般的なグラフ問題を解決している。
本研究では,ランダムウォーク法から得られるノード埋め込みを,計算コストを増大させることなく,知識グラフ法から直接得られる埋め込みに変換する変換モデルについて検討する。
論文 参考訳（メタデータ） (2021-11-17T04:57:41Z) - A Robust and Generalized Framework for Adversarial Graph Embedding [73.37228022428663]
本稿では,AGE という逆グラフ埋め込みのための頑健なフレームワークを提案する。
AGEは、暗黙の分布から強化された負のサンプルとして偽の隣接ノードを生成する。
本フレームワークでは,3種類のグラフデータを扱う3つのモデルを提案する。
論文 参考訳（メタデータ） (2021-05-22T07:05:48Z) - COLOGNE: Coordinated Local Graph Neighborhood Sampling [1.6498361958317633]
グラフノードのような個別の未順序オブジェクトを実数値ベクトルで置き換えることは、グラフデータから学ぶための多くのアプローチの中心である。
ノードベクトル表現の座標がグラフノードであるような離散ノード埋め込みを学習する問題に対処する。
これにより、ノードにもともと存在するすべての属性が保存されているため、グラフの解釈可能な機械学習アルゴリズムを設計する扉が開く。
論文 参考訳（メタデータ） (2021-02-09T11:39:06Z) - Inverse Graph Identification: Can We Identify Node Labels Given Graph
Labels? [89.13567439679709]
グラフ識別(GI)は、グラフ学習において長い間研究されており、特定の応用において不可欠である。
本稿では,逆グラフ識別(Inverse Graph Identification, IGI)と呼ばれる新しい問題を定義する。
本稿では,グラフアテンションネットワーク(GAT)を用いたノードレベルのメッセージパッシング処理を,GIのプロトコルの下でシンプルかつ効果的に行う方法を提案する。
論文 参考訳（メタデータ） (2020-07-12T12:06:17Z) - Which way? Direction-Aware Attributed Graph Embedding [2.429993132301275]
グラフ埋め込みアルゴリズムは連続ベクトル空間内のグラフを効率的に表現するために用いられる。
しばしば見落とされがちな側面の1つは、グラフが向き付けられたかどうかである。
本研究は,DIAGRAMという,テキストに富んだ方向認識アルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-01-30T13:08:19Z)
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。