論文の概要: Network Representation Learning: From Traditional Feature Learning to Deep Learning

• arxiv url: http://arxiv.org/abs/2103.04339v1
• Date: Sun, 7 Mar 2021 12:31:33 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-09 15:14:01.765231
• Title: Network Representation Learning: From Traditional Feature Learning to Deep Learning
• Title（参考訳）: ネットワーク表現学習:伝統的な特徴学習から深層学習へ
• Authors: Ke Sun, Lei Wang, Bo Xu, Wenhong Zhao, Shyh Wei Teng, Feng Xia
• Abstract要約: ネットワーク表現学習(NRL)は,グラフデータの隠れた特徴を深く理解するための効果的なグラフ解析手法である。 ソーシャルネットワークデータ処理、生物学的情報処理、レコメンダシステムなど、ネットワーク科学に関連する多くの実世界のタスクにうまく応用されている。
• 参考スコア（独自算出の注目度）: 13.18795412068976
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Network representation learning (NRL) is an effective graph analytics technique and promotes users to deeply understand the hidden characteristics of graph data. It has been successfully applied in many real-world tasks related to network science, such as social network data processing, biological information processing, and recommender systems. Deep Learning is a powerful tool to learn data features. However, it is non-trivial to generalize deep learning to graph-structured data since it is different from the regular data such as pictures having spatial information and sounds having temporal information. Recently, researchers proposed many deep learning-based methods in the area of NRL. In this survey, we investigate classical NRL from traditional feature learning method to the deep learning-based model, analyze relationships between them, and summarize the latest progress. Finally, we discuss open issues considering NRL and point out the future directions in this field.
• Abstract（参考訳）: ネットワーク表現学習(NRL)は,グラフデータの隠れた特徴を深く理解するための効果的なグラフ解析手法である。 ソーシャルネットワークデータ処理、生物学的情報処理、レコメンダシステムなど、ネットワーク科学に関連する多くの実世界のタスクにうまく応用されている。 ディープラーニングはデータ機能を学ぶための強力なツールです。 しかし、空間情報を持つ画像や時間情報を持つ音といった正規データとは異なるため、グラフ構造データへのディープラーニングの一般化は非自明である。 近年, NRL領域で多くの深層学習手法が提案されている。 本研究では,従来の特徴学習手法から深層学習モデルまでの古典的なNRLを調査し,それらの関係を分析し,最新の進歩をまとめる。 最後に、NRLを考慮したオープンな問題について議論し、この分野の今後の方向性を指摘する。

関連論文リスト

• Multiway Multislice PHATE: Visualizing Hidden Dynamics of RNNs through Training [6.326396282553267]
  リカレントニューラルネットワーク(Recurrent Neural Network, RNN)は、シーケンシャルなデータ分析に広く使われているツールであるが、計算のブラックボックスとしてよく見られる。 本稿では,RNNの隠れ状態の進化を可視化する新しい手法であるMultiway Multislice PHATE(MM-PHATE)を提案する。
  論文  参考訳（メタデータ） (2024-06-04T05:05:27Z)
• Graph Neural Networks for Tabular Data Learning: A Survey with Taxonomy and Directions [10.753191494611892]
  グラフニューラルネットワーク(GNN)を用いた語彙データ学習 GNNは、様々なタブラルデータ学習領域にまたがって、大きな関心を集め、応用している。 この調査は、研究者や実践者のリソースとして役立ち、TDLの革命におけるGNNの役割を深く理解している。
  論文  参考訳（メタデータ） (2024-01-04T08:49:10Z)
• Exploring Causal Learning through Graph Neural Networks: An In-depth Review [12.936700685252145]
  因果関係の研究に用いられている様々な最先端のGNN手法を包含する新しい分類法を提案する。 GNNは、その因果領域における応用に基づいてさらに分類される。 このレビューは、多様な分野にわたる因果学習の適用にも触れている。
  論文  参考訳（メタデータ） (2023-11-25T10:46:06Z)
• Graph Neural Networks Provably Benefit from Structural Information: A Feature Learning Perspective [53.999128831324576]
  グラフニューラルネットワーク(GNN)は、グラフ表現学習の先駆けとなった。 本研究では,特徴学習理論の文脈におけるグラフ畳み込みの役割について検討する。
  論文  参考訳（メタデータ） (2023-06-24T10:21:11Z)
• Deep networks for system identification: a Survey [56.34005280792013]
  システム識別は、入力出力データから動的システムの数学的記述を学習する。 同定されたモデルの主な目的は、以前の観測から新しいデータを予測することである。 我々は、フィードフォワード、畳み込み、リカレントネットワークなどの文献で一般的に採用されているアーキテクチャについて論じる。
  論文  参考訳（メタデータ） (2023-01-30T12:38:31Z)
• Piecewise Linear Neural Networks and Deep Learning [27.02556725989978]
  PieceWise Linear Neural Networks (PWLNN) は様々な分野で成功している。 1977年、標準表現は、漸進的な設計から学んだ浅いPWLNNの研究の先駆者となった。 2010年、Rectified Linear Unit (ReLU) は深層学習におけるPWLNNの普及を提唱した。
  論文  参考訳（メタデータ） (2022-06-18T08:41:42Z)
• Reasoning-Modulated Representations [85.08205744191078]
  タスクが純粋に不透明でないような共通的な環境について研究する。 我々のアプローチは、新しいデータ効率表現学習の道を開く。
  論文  参考訳（メタデータ） (2021-07-19T13:57:13Z)
• What can linearized neural networks actually say about generalization? [67.83999394554621]
  ある無限大のニューラルネットワークにおいて、ニューラル・タンジェント・カーネル(NTK)理論は一般化を完全に特徴づける。 線形近似は、ニューラルネットワークの特定のタスクの学習複雑性を確実にランク付けできることを示す。 我々の研究は、将来の理論的研究を刺激する新しい深層学習現象の具体例を提供する。
  論文  参考訳（メタデータ） (2021-06-12T13:05:11Z)
• 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)
• A Practical Tutorial on Graph Neural Networks [49.919443059032226]
  グラフニューラルネットワーク(GNN)は、人工知能(AI)分野において最近人気が高まっている。 このチュートリアルでは、GNNのパワーとノベルティをAI実践者に公開している。
  論文  参考訳（メタデータ） (2020-10-11T12:36:17Z)
• Lifelong Learning of Graph Neural Networks for Open-World Node Classification [3.364554138758565]
  現実世界のグラフはしばしば時間とともに進化し、新しいクラスも生まれます。 我々はこれらの課題を生涯学習の例としてモデル化する。 本研究では,暗黙的・明示的知識の影響を系統的に分析する。
  論文  参考訳（メタデータ） (2020-06-25T14:03:31Z)

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。