論文の概要: Dynamic Network Embedding Survey

• arxiv url: http://arxiv.org/abs/2103.15447v1
• Date: Mon, 29 Mar 2021 09:27:53 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-30 14:45:51.531896
• Title: Dynamic Network Embedding Survey
• Title（参考訳）: 動的ネットワーク埋め込み調査
• Authors: Guotong Xue, Ming Zhong, Jianxin Li, Jia Chen, Chengshuai Zhai, Ruochen Kong
• Abstract要約: 本稿では,動的ネットワークの埋め込みに関する調査を行う。 動的ネットワークのための2つの基本データモデル、すなわち離散モデルと連続モデルを提案する。 典型的な学習モデルによって分類階層を洗練させる分類法を構築する。
• 参考スコア（独自算出の注目度）: 11.742863376032112
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Since many real world networks are evolving over time, such as social networks and user-item networks, there are increasing research efforts on dynamic network embedding in recent years. They learn node representations from a sequence of evolving graphs but not only the latest network, for preserving both structural and temporal information from the dynamic networks. Due to the lack of comprehensive investigation of them, we give a survey of dynamic network embedding in this paper. Our survey inspects the data model, representation learning technique, evaluation and application of current related works and derives common patterns from them. Specifically, we present two basic data models, namely, discrete model and continuous model for dynamic networks. Correspondingly, we summarize two major categories of dynamic network embedding techniques, namely, structural-first and temporal-first that are adopted by most related works. Then we build a taxonomy that refines the category hierarchy by typical learning models. The popular experimental data sets and applications are also summarized. Lastly, we have a discussion of several distinct research topics in dynamic network embedding.
• Abstract（参考訳）: ソーシャルネットワークやユーザイテムネットワークなど,多くの現実世界のネットワークが時間とともに進化しているため,近年は動的ネットワーク埋め込みの研究が進んでいる。 それらは進化するグラフのシーケンスからノード表現を学ぶが、最新のネットワークだけでなく、動的ネットワークから構造的情報と時間的情報の両方を保存する。 これらの包括的調査が欠如しているため,本稿では動的ネットワーク組込みに関する調査を行う。 本調査は,データモデル,表現学習手法,現在の関連作品の評価と応用を検証し,それらの共通パターンを導出する。 具体的には、動的ネットワークのための2つの基本データモデル、すなわち離散モデルと連続モデルを示す。 そこで,本稿では動的ネットワーク組込み手法の2つの主要なカテゴリ,すなわち構造優先と時間優先の2つを要約する。 次に、典型的な学習モデルによってカテゴリ階層を洗練する分類法を構築する。 一般的な実験データセットやアプリケーションも要約されている。 最後に、動的ネットワーク埋め込みにおけるいくつかの異なる研究トピックについて論じる。

関連論文リスト

• How neural networks learn to classify chaotic time series [77.34726150561087]
  本研究では,通常の逆カオス時系列を分類するために訓練されたニューラルネットワークの内部動作について検討する。 入力周期性とアクティベーション周期の関係は,LKCNNモデルの性能向上の鍵となる。
  論文  参考訳（メタデータ） (2023-06-04T08:53:27Z)
• A Network Classification Method based on Density Time Evolution Patterns Extracted from Network Automata [0.0]
  そこで我々は,密度時間進化パターン(D-TEP)と状態密度時間進化パターン(SD-TEP)とを識別する,分類のための記述子として使用する情報の代替源を提案する。 その結果,従来の5つの合成ネットワークデータベースと7つの実世界のデータベースと比較すると,顕著な改善が得られた。
  論文  参考訳（メタデータ） (2022-11-18T15:27:26Z)
• Constructing Neural Network-Based Models for Simulating Dynamical Systems [59.0861954179401]
  データ駆動モデリングは、真のシステムの観測からシステムの力学の近似を学ぼうとする代替パラダイムである。 本稿では,ニューラルネットワークを用いた動的システムのモデル構築方法について検討する。 基礎的な概要に加えて、関連する文献を概説し、このモデリングパラダイムが克服すべき数値シミュレーションから最も重要な課題を概説する。
  論文  参考訳（メタデータ） (2021-11-02T10:51:42Z)
• Temporal Graph Network Embedding with Causal Anonymous Walks Representations [54.05212871508062]
  本稿では,時間グラフネットワークに基づく動的ネットワーク表現学習のための新しいアプローチを提案する。 評価のために、時間的ネットワーク埋め込みの評価のためのベンチマークパイプラインを提供する。 欧州の大手銀行が提供した実世界のダウンストリームグラフ機械学習タスクにおいて、我々のモデルの適用性と優れた性能を示す。
  論文  参考訳（メタデータ） (2021-08-19T15:39:52Z)
• DPPIN: A Biological Dataset of Dynamic Protein-Protein Interaction Networks [40.490606259328686]
  我々は動的タンパク質-タンパク質相互作用ネットワーク(DPPIN)の新しい生物学的データセットを生成する DPPINは、酵母細胞の12の動的タンパク質レベルの相互作用ネットワークから構成される。 我々は、動的局所クラスタリング、動的スペクトルクラスタリング、動的サブグラフマッチング、動的ノード分類、動的グラフ分類実験を設計する。
  論文  参考訳（メタデータ） (2021-07-05T17:52:55Z)
• TCL: Transformer-based Dynamic Graph Modelling via Contrastive Learning [87.38675639186405]
  我々は,動的に進化するグラフを連続的に扱う,TCLと呼ばれる新しいグラフニューラルネットワークアプローチを提案する。 我々の知る限りでは、これは動的グラフ上の表現学習にコントラスト学習を適用する最初の試みである。
  論文  参考訳（メタデータ） (2021-05-17T15:33:25Z)
• Learning Contact Dynamics using Physically Structured Neural Networks [81.73947303886753]
  ディープニューラルネットワークと微分方程式の接続を用いて、オブジェクト間の接触ダイナミクスを表現するディープネットワークアーキテクチャのファミリを設計する。 これらのネットワークは,ノイズ観測から不連続な接触事象をデータ効率良く学習できることを示す。 以上の結果から,タッチフィードバックの理想化形態は,この学習課題を扱いやすくするための重要な要素であることが示唆された。
  論文  参考訳（メタデータ） (2021-02-22T17:33:51Z)
• Dynamic Neural Networks: A Survey [34.30356864359789]
  動的ニューラルネットワークは、ディープラーニングにおける新たな研究トピックである。 動的ネットワークは、それらの構造やパラメータを異なる入力に適応させることができ、精度、計算効率、適応性などの点で顕著な利点をもたらす。
  論文  参考訳（メタデータ） (2021-02-09T16:02:00Z)
• Graph-Based Neural Network Models with Multiple Self-Supervised Auxiliary Tasks [79.28094304325116]
  グラフ畳み込みネットワークは、構造化されたデータポイント間の関係をキャプチャするための最も有望なアプローチである。 マルチタスク方式でグラフベースニューラルネットワークモデルを学習するための3つの新しい自己教師付き補助タスクを提案する。
  論文  参考訳（メタデータ） (2020-11-14T11:09:51Z)
• Foundations and modelling of dynamic networks using Dynamic Graph Neural Networks: A survey [11.18312489268624]
  我々は、一貫した詳細な用語と表記を伴う動的ネットワークの基礎を確立する。 提案する用語を用いて,動的グラフニューラルネットワークモデルに関する包括的調査を行う。
  論文  参考訳（メタデータ） (2020-05-13T23:56:38Z)
• Modeling Dynamic Heterogeneous Network for Link Prediction using Hierarchical Attention with Temporal RNN [16.362525151483084]
  我々はDyHATRと呼ばれる新しい動的ヘテロジニアスネットワーク埋め込み法を提案する。 階層的な注意を使って異質な情報を学習し、進化パターンを捉えるために時間的注意を伴う繰り返しニューラルネットワークを組み込む。 リンク予測のための4つの実世界のデータセットに対して,本手法をベンチマークした。
  論文  参考訳（メタデータ） (2020-04-01T17:16:47Z)

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。