論文の概要: NetVec: A Scalable Hypergraph Embedding System
- arxiv url: http://arxiv.org/abs/2103.09660v1
- Date: Tue, 9 Mar 2021 18:06:56 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-05 00:58:00.974256
- Title: NetVec: A Scalable Hypergraph Embedding System
- Title（参考訳）: NetVec: スケーラブルなハイパーグラフ埋め込みシステム
- Authors: Sepideh Maleki, Dennis P. Wall, Keshav Pingali
- Abstract要約: スケーラブルな非監視ハイパーグラフ埋め込みのための新しいフレームワークであるNetVecを紹介します。
我々は、NetVecがグラフ埋め込みアルゴリズムと結合して、数百万のノードとハイパーエッジを数分で埋め込むことができることを示す。
- 参考スコア（独自算出の注目度）: 1.8979377273990425
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Many problems such as vertex classification andlink prediction in network
data can be solvedusing graph embeddings, and a number of algo-rithms are known
for constructing such embed-dings. However, it is difficult to use graphs
tocapture non-binary relations such as communitiesof vertices. These kinds of
complex relations areexpressed more naturally as hypergraphs. Whilehypergraphs
are a generalization of graphs, state-of-the-art graph embedding techniques are
notadequate for solving prediction and classificationtasks on large hypergraphs
accurately in reason-able time. In this paper, we introduce NetVec,a novel
multi-level framework for scalable un-supervised hypergraph embedding, that can
becoupled with any graph embedding algorithm toproduce embeddings of
hypergraphs with millionsof nodes and hyperedges in a few minutes.
- Abstract（参考訳）: ネットワークデータにおける頂点分類やリンク予測といった多くの問題をグラフ埋め込みを用いて解くことができ、そのような埋め込みを構築するために多くのアルゴリズムが知られている。
しかし、頂点のコミュニティのような二項関係をつかむグラフを使うのは難しい。
このような複雑な関係はハイパーグラフとしてより自然に表現される。
ハイパーグラフはグラフの一般化である一方、最先端のグラフ埋め込み技術は、合理的な時間で大きなハイパーグラフ上の予測と分類タスクを正確に解くには不十分である。
本稿では、スケーラブルな非教師付きハイパーグラフ埋め込みのための新しいマルチレベルフレームワークであるNetVecを紹介し、グラフ埋め込みアルゴリズムと組み合わせることで、数百万のノードとハイパーエッジとのハイパーグラフの埋め込みを数分で生成する。
関連論文リスト
- Hypergraph-enhanced Dual Semi-supervised Graph Classification [14.339207883093204]
半教師付きグラフ分類のためのハイパーグラフ拡張DuALフレームワークHEALを提案する。
ノード間の高次関係をよりよく探求するために,複雑なノード依存を適応的に学習するハイパーグラフ構造を設計する。
学習したハイパーグラフに基づいて,ハイパーエッジ間の相互作用を捉える線グラフを導入する。
論文 参考訳（メタデータ） (2024-05-08T02:44:13Z) - From Hypergraph Energy Functions to Hypergraph Neural Networks [94.88564151540459]
パラメータ化されたハイパーグラフ正規化エネルギー関数の表現型族を示す。
次に、これらのエネルギーの最小化がノード埋め込みとして効果的に機能することを実証する。
提案した双レベルハイパーグラフ最適化と既存のGNNアーキテクチャを共通的に用いている。
論文 参考訳（メタデータ） (2023-06-16T04:40:59Z) - 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) - Hypergraph Convolutional Networks via Equivalency between Hypergraphs
and Undirected Graphs [59.71134113268709]
本稿では,EDVWおよびEIVWハイパーグラフを処理可能な一般学習フレームワークであるGeneral Hypergraph Spectral Convolution(GHSC)を提案する。
本稿では,提案するフレームワークが最先端の性能を達成できることを示す。
ソーシャルネットワーク分析,視覚的客観的分類,タンパク質学習など,様々な分野の実験により,提案手法が最先端の性能を達成できることが実証された。
論文 参考訳（メタデータ） (2022-03-31T10:46:47Z) - Graph Set-colorings And Hypergraphs In Topological Coding [8.142947808507367]
暗号解析上の重要なセットカラー化を許容するセットカラーグラフを導入する。
我々は、要素の交わりを反映するためにグラフの集合色付けを使い、(ハイパーエッジとして)集合間のより多くの接続を表現するために他の制約要件を追加します。
論文 参考訳（メタデータ） (2022-01-31T17:05:11Z) - Love tHy Neighbour: Remeasuring Local Structural Node Similarity in
Hypergraph-Derived Networks [2.246222223318928]
ノードペア間のハイパーグラフ指向の類似度スコアを複数提案する。
グラフトポロジーに基づくスコアをハイパーグラフに拡張するための理論的定式化を提供する。
論文 参考訳（メタデータ） (2021-10-30T14:12:58Z) - 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) - Multilevel Graph Matching Networks for Deep Graph Similarity Learning [79.3213351477689]
グラフ構造オブジェクト間のグラフ類似性を計算するためのマルチレベルグラフマッチングネットワーク(MGMN)フレームワークを提案する。
標準ベンチマークデータセットの欠如を補うため、グラフグラフ分類とグラフグラフ回帰タスクの両方のためのデータセットセットを作成し、収集した。
総合的な実験により、MGMNはグラフグラフ分類とグラフグラフ回帰タスクの両方において、最先端のベースラインモデルより一貫して優れていることが示された。
論文 参考訳（メタデータ） (2020-07-08T19:48:19Z) - 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) - Line Hypergraph Convolution Network: Applying Graph Convolution for
Hypergraphs [18.7475578342125]
可変ハイパーエッジサイズを持つハイパーグラフにグラフ畳み込みを適用する新しい手法を提案する。
我々はハイパーグラフの行グラフという古典的な概念を、ハイパーグラフ学習の文献で初めて用いている。
論文 参考訳（メタデータ） (2020-02-09T16:05:17Z)
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。