論文の概要: GCN-ALP: Addressing Matching Collisions in Anchor Link Prediction

• arxiv url: http://arxiv.org/abs/2103.10600v1
• Date: Fri, 19 Mar 2021 02:41:55 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-22 14:27:12.423986
• Title: GCN-ALP: Addressing Matching Collisions in Anchor Link Prediction
• Title（参考訳）: gcn-alp:アンカーリンク予測における衝突対応
• Authors: Hao Gao, Yongqing Wang, Shanshan Lyu, Huawei Shen, Xueqi Cheng
• Abstract要約: 問題のtextitanchorリンク予測は、ソーシャルネットワーク全体のユーザープロファイル、コンテンツ、ネットワーク構造上の共通の根拠とユーザーデータをリンクするために形式化されます。 マッチンググラフ上でのアンカーリンク予測を効率的に解く、ミニバッチ戦略によるグラフ畳み込みネットワークを提案する。
• 参考スコア（独自算出の注目度）: 40.811988657941946
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Nowadays online users prefer to join multiple social media for the purpose of socialized online service. The problem \textit{anchor link prediction} is formalized to link user data with the common ground on user profile, content and network structure across social networks. Most of the traditional works concentrated on learning matching function with explicit or implicit features on observed user data. However, the low quality of observed user data confuses the judgment on anchor links, resulting in the matching collision problem in practice. In this paper, we explore local structure consistency and then construct a matching graph in order to circumvent matching collisions. Furthermore, we propose graph convolution networks with mini-batch strategy, efficiently solving anchor link prediction on matching graph. The experimental results on three real application scenarios show the great potentials of our proposed method in both prediction accuracy and efficiency. In addition, the visualization of learned embeddings provides us a qualitative way to understand the inference of anchor links on the matching graph.
• Abstract（参考訳）: 現在、オンラインユーザーはソーシャル化オンラインサービスのために複数のソーシャルメディアに参加することを好んでいる。 問題であるtextit{anchor link prediction} は、ユーザプロファイル、コンテンツ、ソーシャルネットワーク間のネットワーク構造に関する共通基盤にユーザデータをリンクするように形式化されている。 従来の作業の多くは、観察されたユーザデータに明示的または暗黙的な特徴を持つマッチング関数の学習に集中していた。 しかし、観測されたユーザデータの低品質はアンカーリンクの判断を混乱させ、実際の衝突問題と一致する。 本稿では,局所構造一貫性を探求し,一致する衝突を回避するためにマッチンググラフを構築する。 さらに,マッチンググラフ上でのアンカーリンク予測を効率的に解くために,ミニバッチ戦略によるグラフ畳み込みネットワークを提案する。 3つの実アプリケーションシナリオに関する実験結果は,予測精度と効率性の両方において提案手法の大きな可能性を示している。 さらに、学習埋め込みの可視化は、マッチンググラフ上のアンカーリンクの推論を理解するための定性的な方法を提供する。

関連論文リスト

• PULL: PU-Learning-based Accurate Link Prediction [12.8532740199204]
  エッジ不完全グラフが与えられたら、どのようにして不足するリンクを正確に見つけることができるのか? 本稿では, PULL (PU-Learning-based Link predictor) を提案する。 PULLは、エッジ不完全グラフのリンクを予測するベースラインを一貫して上回る。
  論文  参考訳（メタデータ） (2024-05-20T09:47:22Z)
• CONVERT:Contrastive Graph Clustering with Reliable Augmentation [110.46658439733106]
  信頼性オーグメンテーション(CONVERT)を用いたContrastiVe Graph ClustEringネットワークを提案する。 本手法では,データ拡張を可逆的パーターブ・リカバリネットワークにより処理する。 セマンティクスの信頼性をさらに保証するために、ネットワークを制約する新たなセマンティクス損失が提示される。
  論文  参考訳（メタデータ） (2023-08-17T13:07:09Z)
• Drop Edges and Adapt: a Fairness Enforcing Fine-tuning for Graph Neural Networks [9.362130313618797]
  リンク予測アルゴリズムは、特定の人口集団の個人間のリンクを嫌う傾向がある。 本稿では,グラフニューラルネットワークに対して,微調整戦略を用いて公平性を強制する新しい手法を提案する。 DEAの新たな特徴の1つは、微調整に離散的だが学習可能な隣接行列を使うことができることである。
  論文  参考訳（メタデータ） (2023-02-22T16:28:08Z)
• 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)
• Line Graph Contrastive Learning for Link Prediction [4.876567687745239]
  多視点情報を得るために,Line Graph Contrastive Learning (LGCL)法を提案する。 6つの公開データセットの実験により、LGCLはリンク予測タスクの現在のベンチマークを上回っている。
  論文  参考訳（メタデータ） (2022-10-25T06:57:00Z)
• An Approach for Link Prediction in Directed Complex Networks based on Asymmetric Similarity-Popularity [0.0]
  本稿では,有向ネットワーク用に明示的に設計されたリンク予測手法を提案する。 これは、最近無方向性ネットワークで成功した類似性-人気パラダイムに基づいている。 アルゴリズムは、隠れた類似性を最も短い経路距離として近似し、リンクの非対称性とノードの人気を捉え、決定するエッジウェイトを使用する。
  論文  参考訳（メタデータ） (2022-07-15T11:03:25Z)
• Joint Graph Learning and Matching for Semantic Feature Correspondence [69.71998282148762]
  本稿では,グラフマッチングを向上するための信頼度の高いグラフ構造を探索するために,GLAMという共用電子グラフ学習とマッチングネットワークを提案する。 提案手法は,3つの人気ビジュアルマッチングベンチマーク (Pascal VOC, Willow Object, SPair-71k) で評価される。 すべてのベンチマークにおいて、従来の最先端のグラフマッチング手法よりも大きなマージンを達成している。
  論文  参考訳（メタデータ） (2021-09-01T08:24:02Z)
• Locate Who You Are: Matching Geo-location to Text for Anchor Link Prediction [40.654494490237]
  ネットワーク間のユーザマッチングのための新しいアンカーリンク予測フレームワークを提案する。 提案手法は既存の手法より優れ,最先端の結果が得られる。
  論文  参考訳（メタデータ） (2021-04-19T08:15:28Z)
• Interpretable Signed Link Prediction with Signed Infomax Hyperbolic Graph [54.03786611989613]
  ソーシャルネットワークにおけるサイン付きリンク予測は、ユーザ(すなわちノード)間の基盤となる関係(リンク)を明らかにすることを目的としている 我々は Signed Infomax Hyperbolic Graph (textbfSIHG) と呼ばれる統一されたフレームワークを開発する。 高次ユーザ関係と複雑な階層をモデル化するために、ノードの埋め込みを投影し、より低歪みの双曲空間で測定する。
  論文  参考訳（メタデータ） (2020-11-25T05:09:03Z)
• Learning to Extrapolate Knowledge: Transductive Few-shot Out-of-Graph Link Prediction [69.1473775184952]
  数発のアウトオブグラフリンク予測という現実的な問題を導入する。 我々は,新しいメタ学習フレームワークによってこの問題に対処する。 我々は,知識グラフの補完と薬物と薬物の相互作用予測のために,複数のベンチマークデータセット上でモデルを検証した。
  論文  参考訳（メタデータ） (2020-06-11T17:42:46Z)

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。