論文の概要: Node Proximity Is All You Need: Unified Structural and Positional Node
and Graph Embedding
- arxiv url: http://arxiv.org/abs/2102.13582v1
- Date: Fri, 26 Feb 2021 16:48:39 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-01 13:41:44.903315
- Title: Node Proximity Is All You Need: Unified Structural and Positional Node
and Graph Embedding
- Title（参考訳）: Node Proximityは必要なもの - 統一された構造と位置のノードとグラフの埋め込み
- Authors: Jing Zhu, Xingyu Lu, Mark Heimann, Danai Koutra
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 18.25557372049711
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: While most network embedding techniques model the relative positions of nodes
in a network, recently there has been significant interest in structural
embeddings that model node role equivalences, irrespective of their distances
to any specific nodes. We present PhUSION, a proximity-based unified framework
for computing structural and positional node embeddings, which leverages
well-established methods for calculating node proximity scores. Clarifying a
point of contention in the literature, we show which step of PhUSION produces
the different kinds of embeddings and what steps can be used by both. Moreover,
by aggregating the PhUSION node embeddings, we obtain graph-level features that
model information lost by previous graph feature learning and kernel methods.
In a comprehensive empirical study with over 10 datasets, 4 tasks, and 35
methods, we systematically reveal successful design choices for node and
graph-level machine learning with embeddings.
- Abstract（参考訳）: ほとんどのネットワーク組込み技術はネットワーク内のノードの相対的な位置をモデル化するが、最近では特定のノードとの距離に関係なく、ノードの役割等価性をモデル化する構造的組込みに多大な関心が寄せられている。
我々は、ノード近接スコアを計算するための確立された手法を利用する、構造的および位置的ノード埋め込みを計算するための近接ベース統合フレームワークであるPhUSIONを提案する。
文献における論争点を明確にし、PhUsionのどのステップが異なる種類の埋め込みを生み出し、どちらのステップが両方で使用できるかを示す。
さらに,PhUSIONノードの埋め込みを集約することにより,従来のグラフ特徴学習やカーネル手法で失われた情報をモデル化するグラフレベルの特徴を得る。
10以上のデータセット、4つのタスク、35のメソッドを用いた包括的実証研究で、組み込みによるノードおよびグラフレベルの機械学習の設計選択を体系的に明らかにした。
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) - GraphRARE: Reinforcement Learning Enhanced Graph Neural Network with Relative Entropy [21.553180564868306]
GraphRAREはノード相対エントロピーと深層強化学習に基づいて構築されたフレームワークである。
革新的なノード相対エントロピーは、ノードペア間の相互情報を測定するために使用される。
グラフトポロジを最適化するために,深層強化学習に基づくアルゴリズムを開発した。
論文 参考訳（メタデータ） (2023-12-15T11:30:18Z) - SHGNN: Structure-Aware Heterogeneous Graph Neural Network [77.78459918119536]
本稿では、上記の制約に対処する構造対応不均一グラフニューラルネットワーク(SHGNN)を提案する。
まず,メタパス内の中間ノードの局所構造情報を取得するために,特徴伝搬モジュールを利用する。
次に、ツリーアテンションアグリゲータを使用して、グラフ構造情報をメタパス上のアグリゲーションモジュールに組み込む。
最後に、メタパスアグリゲータを利用して、異なるメタパスから集約された情報を融合する。
論文 参考訳（メタデータ） (2021-12-12T14:18:18Z) - Topic-aware latent models for representation learning on networks [5.304857921982132]
本稿では,トピックベース情報を用いたランダムウォークベースアプローチにより取得したノードの埋め込みを強化する汎用フレームワークであるTNEを紹介する。
提案手法はノード分類とリンク予測という2つのダウンストリームタスクで評価する。
論文 参考訳（メタデータ） (2021-11-10T08:52:52Z) - Learning Sparse Graphs with a Core-periphery Structure [14.112444998191698]
本稿では,コア周辺構造ネットワークに関連するデータ生成モデルを提案する。
ネットワークのコア部分における密接な(疎い)接続を誘導するスパースグラフとニューダルコアスコアを推論する。
論文 参考訳（メタデータ） (2021-10-08T10:41:30Z) - Reasoning Graph Networks for Kinship Verification: from Star-shaped to
Hierarchical [85.0376670244522]
階層型推論グラフネットワークの学習による顔の親和性検証の問題点について検討する。
より強力で柔軟なキャパシティを利用するために,星型推論グラフネットワーク(S-RGN)を開発した。
また、より強力で柔軟なキャパシティを利用する階層型推論グラフネットワーク(H-RGN)も開発しています。
論文 参考訳（メタデータ） (2021-09-06T03:16:56Z) - 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) - 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) - Representation Learning of Graphs Using Graph Convolutional Multilayer
Networks Based on Motifs [17.823543937167848]
mGCMNはノードの特徴情報とグラフの高階局所構造を利用する新しいフレームワークである。
グラフニューラルネットワークの学習効率を大幅に改善し、新たな学習モードの確立を促進する。
論文 参考訳（メタデータ） (2020-07-31T04:18:20Z) - Graph Neural Networks with Composite Kernels [60.81504431653264]
カーネル重み付けの観点からノード集約を再解釈する。
本稿では,アグリゲーション方式における特徴類似性を考慮したフレームワークを提案する。
特徴空間における特徴類似性をエンコードするために,元の隣り合うカーネルと学習可能なカーネルの合成として特徴集約を提案する。
論文 参考訳（メタデータ） (2020-05-16T04:44:29Z) - Graph Inference Learning for Semi-supervised Classification [50.55765399527556]
半教師付きノード分類の性能を高めるためのグラフ推論学習フレームワークを提案する。
推論過程の学習には,トレーニングノードから検証ノードへの構造関係のメタ最適化を導入する。
4つのベンチマークデータセットの総合的な評価は、最先端の手法と比較して提案したGILの優位性を示している。
論文 参考訳（メタデータ） (2020-01-17T02:52:30Z)
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。