論文の概要: MUSE: Multi-faceted Attention for Signed Network Embedding

• arxiv url: http://arxiv.org/abs/2104.14449v1
• Date: Thu, 29 Apr 2021 16:09:35 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-30 12:46:09.012818
• Title: MUSE: Multi-faceted Attention for Signed Network Embedding
• Title（参考訳）: MUSE: 署名されたネットワーク埋め込みのための多面的注意
• Authors: Dengcheng Yan, Youwen Zhang, Wei Li, Yiwen Zhang
• Abstract要約: 符号付きネットワーク埋め込みは、正と負のリンクを持つ符号付きネットワークにおけるノードの低次元表現を学習するアプローチである。 この問題を解決するために,MUlti-faceted attention-based Signed network Embedding フレームワーク MUSE を提案する。
• 参考スコア（独自算出の注目度）: 4.442695760653947
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Signed network embedding is an approach to learn low-dimensional representations of nodes in signed networks with both positive and negative links, which facilitates downstream tasks such as link prediction with general data mining frameworks. Due to the distinct properties and significant added value of negative links, existing signed network embedding methods usually design dedicated methods based on social theories such as balance theory and status theory. However, existing signed network embedding methods ignore the characteristics of multiple facets of each node and mix them up in one single representation, which limits the ability to capture the fine-grained attentions between node pairs. In this paper, we propose MUSE, a MUlti-faceted attention-based Signed network Embedding framework to tackle this problem. Specifically, a joint intra- and inter-facet attention mechanism is introduced to aggregate fine-grained information from neighbor nodes. Moreover, balance theory is also utilized to guide information aggregation from multi-order balanced and unbalanced neighbors. Experimental results on four real-world signed network datasets demonstrate the effectiveness of our proposed framework.
• Abstract（参考訳）: 符号付きネットワーク埋め込みは、正および負のリンクを持つ符号付きネットワーク内のノードの低次元表現を学習するアプローチであり、一般的なデータマイニングフレームワークとのリンク予測のような下流タスクを容易にする。 負のリンクの異なる性質と重要な付加価値のため、既存の符号付きネットワーク埋め込み法は通常、バランス理論やステータス理論のような社会的理論に基づく専用手法を設計する。 しかし、既存の符号付きネットワーク埋め込み手法では、各ノードの複数のファセットの特徴を無視し、それらを単一の表現に混ぜ合わせることで、ノードペア間の微妙な注意を捉えることができる。 本稿では,MUlti-faceed attention-based Signed network Embedding フレームワーク MUSE を提案する。 具体的には,隣接ノードからのきめ細かな情報を集約するために,面内および面間注意機構を導入する。 また、バランス理論は、多階バランスと非バランスの隣人からの情報集約を導くためにも用いられる。 実世界のネットワークデータセット4つの実験結果から,提案手法の有効性が示された。

関連論文リスト

• Link Polarity Prediction from Sparse and Noisy Labels via Multiscale Social Balance [8.635930195821263]
  署名付きグラフニューラルネットワーク(SGNN)は,最近,署名付きネットワーク上での学習タスクに有効なツールとして注目されている。 これらのタスクの1つは、ネットワーク構造やその他の利用可能な極性から、この情報が欠落しているリンクの極性を予測することである。 本研究では,リンクの極性予測を改善するために,新しい社会バランスの概念を基盤として,半教師付き学習フレームワークを考案する。
  論文  参考訳（メタデータ） (2024-07-22T14:02:28Z)
• Multi-perspective Memory Enhanced Network for Identifying Key Nodes in Social Networks [51.54002032659713]
  ソーシャルネットワークにおけるキーノードを識別する新しいマルチパースペクティブメモリ拡張ネットワーク(MMEN)を提案する。 MMENは複数の視点からキーノードをマイニングし、履歴情報を記憶するためにメモリネットワークを利用する。 我々の手法は過去の方法よりも大幅に優れている。
  論文  参考訳（メタデータ） (2024-03-22T14:29:03Z)
• Interpolation-based Correlation Reduction Network for Semi-Supervised Graph Learning [49.94816548023729]
  補間型相関低減ネットワーク(ICRN)と呼ばれる新しいグラフコントラスト学習手法を提案する。 提案手法では,決定境界のマージンを大きくすることで,潜在特徴の識別能力を向上させる。 この2つの設定を組み合わせることで、豊富なラベル付きノードと稀に価値あるラベル付きノードから豊富な監視情報を抽出し、離散表現学習を行う。
  論文  参考訳（メタデータ） (2022-06-06T14:26:34Z)
• SigGAN : Adversarial Model for Learning Signed Relationships in Networks [2.0277446818410994]
  本稿では,署名ネットワークSigGANのためのGANベースモデルを提案する。 負のエッジからの情報の統合、正のエッジ数と負のエッジ数における高い不均衡、構造バランス理論などの符号付きネットワークの要件を考察する。
  論文  参考訳（メタデータ） (2022-01-17T14:53:30Z)
• SSSNET: Semi-Supervised Signed Network Clustering [4.895808607591299]
  SSSNETと呼ばれる半教師付きネットワーククラスタリングのためのGNNフレームワークにおいて、トレーニングノードに対する確率的バランスの取れた正規化カット損失を新たに導入する。 主な斬新なアプローチは、署名されたネットワーク埋め込みにおける社会的バランス理論の役割に関する新しい見解である。
  論文  参考訳（メタデータ） (2021-10-13T10:36:37Z)
• Signed Bipartite Graph Neural Networks [42.32959912473691]
  署名された二部ネットワークは、2つの異なるノードセットと2つのノードセット間の署名されたリンクを含む古典的な署名されたネットワークとは異なる。 本研究では、まず、同じノードの集合の署名された関係を定義し、署名された二部ネットワークを解析するための新しい視点を提供する。 次に、複数の実世界のデータセットの2つの視点からバランス理論の包括的分析を行う。
  論文  参考訳（メタデータ） (2021-08-22T05:15:45Z)
• 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)
• A Multi-Semantic Metapath Model for Large Scale Heterogeneous Network Representation Learning [52.83948119677194]
  大規模不均一表現学習のためのマルチセマンティックメタパス(MSM)モデルを提案する。 具体的には,マルチセマンティックなメタパスに基づくランダムウォークを生成し,不均衡な分布を扱うヘテロジニアスな近傍を構築する。 提案するフレームワークに対して,AmazonとAlibabaの2つの挑戦的なデータセットに対して,体系的な評価を行う。
  論文  参考訳（メタデータ） (2020-07-19T22:50:20Z)
• Unsupervised Differentiable Multi-aspect Network Embedding [52.981277420394846]
  本稿では,asp2vecと呼ばれるマルチアスペクトネットワーク埋め込みのための新しいエンドツーエンドフレームワークを提案する。 提案するフレームワークは容易に異種ネットワークに拡張できる。
  論文  参考訳（メタデータ） (2020-06-07T19:26:20Z)
• CSNE: Conditional Signed Network Embedding [77.54225346953069]
  署名されたネットワークは、友人/フォアや信頼/不信のようなエンティティ間の正と負の関係を符号化する。 サイン予測のための既存の埋め込み手法は、一般に最適化関数におけるステータスやバランス理論の異なる概念を強制する。 条件付き符号付きネットワーク埋め込み(CSNE)を導入する。 我々の確率論的アプローチは、きめ細かな詳細とは別途、ネットワーク内の記号に関する構造情報をモデル化する。
  論文  参考訳（メタデータ） (2020-05-19T19:14:52Z)

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。