論文の概要: QD-GCN: Query-Driven Graph Convolutional Networks for Attributed
Community Search
- arxiv url: http://arxiv.org/abs/2104.03583v1
- Date: Thu, 8 Apr 2021 07:52:48 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-09 12:49:32.073992
- Title: QD-GCN: Query-Driven Graph Convolutional Networks for Attributed
Community Search
- Title（参考訳）: QD-GCN: 分散コミュニティ検索のためのクエリ駆動グラフ畳み込みネットワーク
- Authors: Yuli Jiang, Yu Rong, Hong Cheng, Xin Huang, Kangfei Zhao, Junzhou
Huang
- Abstract要約: QD-GCNは、ACS問題を解決するために、コミュニティ構造とノード属性を統一するエンドツーエンドフレームワークである。
本稿では、QD-GCNが既存の属性付きコミュニティ検索アルゴリズムを効率性と有効性の両方で上回ることを示す。
- 参考スコア（独自算出の注目度）: 54.42038098426504
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recently, attributed community search, a related but different problem to
community detection and graph clustering, has been widely studied in the
literature. Compared with the community detection that finds all existing
static communities from a graph, the attributed community search (ACS) is more
challenging since it aims to find dynamic communities with both cohesive
structures and homogeneous node attributes given arbitrary queries. To solve
the ACS problem, the most popular paradigm is to simplify the problem as two
sub-problems, that is, structural matching and attribute filtering and deal
with them separately. However, in real-world graphs, the community structure
and the node attributes are actually correlated to each other. In this vein,
current studies cannot capture these correlations which are vital for the ACS
problem.
In this paper, we propose Query-Driven Graph Convolutional Networks (QD-GCN),
an end-to-end framework that unifies the community structure as well as node
attribute to solve the ACS problem. In particular, QD-GCN leverages the Graph
Convolutional Networks, which is a powerful tool to encode the graph topology
and node attributes concurrently, as the backbones to extract the
query-dependent community information from the original graph. By utilizing
this query-dependent community information, QD-GCN is able to predict the
target community given any queries. Experiments on real-world graphs with
ground-truth communities demonstrate that QD-GCN outperforms existing
attributed community search algorithms in terms of both efficiency and
effectiveness.
- Abstract（参考訳）: 近年,コミュニティ検出やグラフクラスタリングと関連するが,異なる問題である有意なコミュニティ検索が文献で広く研究されている。
グラフから既存の静的なコミュニティを見つけ出すコミュニティ検出と比較すると,任意のクエリを与えられた凝集構造と均質なノード属性の両方を持つ動的コミュニティを見つけることを目的としているため,属性付きコミュニティ検索(ACS)の方が難しい。
ACS問題を解くために最も一般的なパラダイムは、構造マッチングと属性フィルタリングという2つのサブプロブレムとして問題を単純化し、それらを別々に扱うことである。
しかし、実世界のグラフでは、コミュニティ構造とノード属性は実際には相互に相関している。
この静脈において、現在の研究は、ACS問題に不可欠なこれらの相関を捉えることはできない。
本稿では,クエリ駆動型グラフ畳み込みネットワーク(qd-gcn)を提案する。
特にQD-GCNでは,グラフトポロジとノード属性を同時に符号化する強力なツールであるGraph Convolutional Networksを活用して,クエリ依存のコミュニティ情報を元のグラフから抽出する。
このクエリ依存のコミュニティ情報を利用することで、QD-GCNはクエリを指定してターゲットコミュニティを予測することができる。
qd-gcnが既存のコミュニティ検索アルゴリズムよりも効率と有効性の両方において優れていることが実世界グラフ実験によって示されている。
関連論文リスト
- DGNN: Decoupled Graph Neural Networks with Structural Consistency
between Attribute and Graph Embedding Representations [62.04558318166396]
グラフニューラルネットワーク(GNN)は、複雑な構造を持つグラフ上での表現学習の堅牢性を示す。
ノードのより包括的な埋め込み表現を得るために、Decoupled Graph Neural Networks (DGNN)と呼ばれる新しいGNNフレームワークが導入された。
複数のグラフベンチマークデータセットを用いて、ノード分類タスクにおけるDGNNの優位性を検証した。
論文 参考訳（メタデータ） (2024-01-28T06:43:13Z) - RBA-GCN: Relational Bilevel Aggregation Graph Convolutional Network for
Emotion Recognition [38.87080348908327]
本稿ではリレーショナル・バイレベル・アグリゲーショングラフ畳み込みネットワーク(RBA-GCN)について述べる。
グラフ生成モジュール(GGM)、類似性に基づくクラスタ構築モジュール(SCBM)、バイレベルアグリゲーションモジュール(BiAM)の3つのモジュールで構成されている。
IEMOCAPとMELDの両方のデータセットでは、RAB-GCNの重み付き平均F1スコアは、最も高度な手法よりも2.17$sim$5.21%改善されている。
論文 参考訳（メタデータ） (2023-08-18T11:29:12Z) - CS-TGN: Community Search via Temporal Graph Neural Networks [0.0]
本稿では,フレキシブルなコミュニティ構造をキャプチャ可能なクエリ駆動型時間グラフ畳み込みネットワーク(CS-TGN)を提案する。
CS-TGNはまず、ローカルクエリ依存構造と、ネットワークの各スナップショットにグローバルグラフを埋め込む。
我々は,このモデルをオンライン環境でインタラクティブなコミュニティ検索に活用する方法を実証する。
論文 参考訳（メタデータ） (2023-03-15T22:23:32Z) - CS-MLGCN : Multiplex Graph Convolutional Networks for Community Search
in Multiplex Networks [0.0]
本稿では,マルチプレクサネットワークにおけるクエリ駆動グラフ畳み込みネットワークCS-MLGCNを提案する。
地道なコミュニティを持つ実世界のグラフの実験は、得られるソリューションの品質を検証する。
論文 参考訳（メタデータ） (2022-10-17T07:47:19Z) - A Variational Edge Partition Model for Supervised Graph Representation
Learning [51.30365677476971]
本稿では,重なり合うノード群間の相互作用を集約することで,観測されたエッジがどのように生成されるかをモデル化するグラフ生成プロセスを提案する。
それぞれのエッジを複数のコミュニティ固有の重み付きエッジの和に分割し、コミュニティ固有のGNNを定義する。
エッジを異なるコミュニティに分割するGNNベースの推論ネットワーク,これらのコミュニティ固有のGNN,およびコミュニティ固有のGNNを最終分類タスクに組み合わせたGNNベースの予測器を共同で学習するために,変分推論フレームワークを提案する。
論文 参考訳（メタデータ） (2022-02-07T14:37:50Z) - Dimensionality Reduction Meets Message Passing for Graph Node Embeddings [0.0]
ノード埋め込みを教師なしで生成するための主成分分析(PCA)とメッセージパッシングを組み合わせたPCAPassを提案する。
提案手法は,ノード分類ベンチマークにおいて人気の高いGNNと比較して,競争性能が向上することを示す。
我々の研究は、メッセージパッシングとスキップ接続による次元性低減が、グラフ構造化データの長距離依存性を集約する上で有望なメカニズムであることを実証している。
論文 参考訳（メタデータ） (2022-02-01T13:39:00Z) - Detecting Communities from Heterogeneous Graphs: A Context Path-based
Graph Neural Network Model [23.525079144108567]
コンテキストパスに基づくグラフニューラルネットワーク(CP-GNN)モデルを構築した。
ノード間の高次関係をノードの埋め込みに埋め込む。
最先端のコミュニティ検出手法よりも優れています。
論文 参考訳（メタデータ） (2021-09-05T12:28:00Z) - Node Similarity Preserving Graph Convolutional Networks [51.520749924844054]
グラフニューラルネットワーク(GNN)は、ノード近傍の情報を集約し変換することで、グラフ構造とノードの特徴を探索する。
グラフ構造を利用してノード類似性を効果的かつ効率的に保存できるSimP-GCNを提案する。
本研究は,SimP-GCNが3つの分類グラフと4つの非補助グラフを含む7つのベンチマークデータセットに対して有効であることを示す。
論文 参考訳（メタデータ） (2020-11-19T04:18:01Z) - Factorizable Graph Convolutional Networks [90.59836684458905]
本稿では,グラフに符号化された相互に絡み合った関係を明示的に解消する新しいグラフ畳み込みネットワーク(GCN)を提案する。
FactorGCNは単純なグラフを入力として取り、それをいくつかの分解グラフに分解する。
提案したFacterGCNは,合成および実世界のデータセットに対して質的かつ定量的に評価する。
論文 参考訳（メタデータ） (2020-10-12T03:01:40Z) - AM-GCN: Adaptive Multi-channel Graph Convolutional Networks [85.0332394224503]
グラフ畳み込みネットワーク(GCN)は,豊富な情報を持つ複雑なグラフにおいて,ノードの特徴と位相構造を最適に統合できるかどうかを検討する。
半教師付き分類(AM-GCN)のための適応型マルチチャネルグラフ畳み込みネットワークを提案する。
実験の結果,AM-GCNはノードの特徴とトポロジ的構造の両方から最も相関性の高い情報を抽出することがわかった。
論文 参考訳（メタデータ） (2020-07-05T08:16:03Z)
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。