論文の概要: A Preference Random Walk Algorithm for Link Prediction through Mutual
Influence Nodes in Complex Networks
- arxiv url: http://arxiv.org/abs/2105.09494v1
- Date: Thu, 20 May 2021 03:35:38 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-21 20:53:09.974602
- Title: A Preference Random Walk Algorithm for Link Prediction through Mutual
Influence Nodes in Complex Networks
- Title（参考訳）: 複雑ネットワークにおける相互影響ノードによるリンク予測のための選好ランダムウォークアルゴリズム
- Authors: Kamal Berahmand, Elahe Nasiri, Saman Forouzandeh, Yuefeng Li
- Abstract要約: 局所ランダムウォークは準局所的手法のカテゴリで最もよく知られたアルゴリズムの1つであると考えられている。
ほとんどのデータセットでは、この手法は著しく類似したノードを正確に評価することができない。
より強い影響を持つノードへのランダムウォーキングを奨励し,局所的ランダムウォーキングを改善するための効率的な手法を提案する。
- 参考スコア（独自算出の注目度）: 1.345669927504424
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Predicting links in complex networks has been one of the essential topics
within the realm of data mining and science discovery over the past few years.
This problem remains an attempt to identify future, deleted, and redundant
links using the existing links in a graph. Local random walk is considered to
be one of the most well-known algorithms in the category of quasi-local
methods. It traverses the network using the traditional random walk with a
limited number of steps, randomly selecting one adjacent node in each step
among the nodes which have equal importance. Then this method uses the
transition probability between node pairs to calculate the similarity between
them. However, in most datasets, this method is not able to perform accurately
in scoring remarkably similar nodes. In the present article, an efficient
method is proposed for improving local random walk by encouraging random walk
to move, in every step, towards the node which has a stronger influence.
Therefore, the next node is selected according to the influence of the source
node. To do so, using mutual information, the concept of the asymmetric mutual
influence of nodes is presented. A comparison between the proposed method and
other similarity-based methods (local, quasi-local, and global) has been
performed, and results have been reported for 11 real-world networks. It had a
higher prediction accuracy compared with other link prediction approaches.
- Abstract（参考訳）: 複雑なネットワークにおけるリンクの予測は、過去数年間のデータマイニングと科学発見の領域における重要なトピックの1つだ。
この問題は、グラフ内の既存のリンクを使用して、将来、削除、冗長なリンクを特定する試みである。
局所ランダムウォークは準局所メソッドのカテゴリで最も有名なアルゴリズムの1つであると考えられている。
従来のランダムウォークを限られた数のステップでトラバースし、同じ重要性を持つノード間で各ステップで1つの隣接ノードをランダムに選択する。
次に,ノード間の遷移確率を用いて類似度を算出する。
しかし、ほとんどのデータセットでは、この手法は驚くほど類似したノードを正確に評価することができない。
本稿では,各ステップにおいて,より強い影響を持つノードに向かって,ランダムウォーキングを奨励することで,局所的ランダムウォーキングを改善する効率的な方法を提案する。
これにより、ソースノードの影響に応じて次のノードが選択される。
そのため、相互情報を用いて、ノードの非対称相互影響の概念が提示される。
提案手法と他の類似性に基づく手法(局所的,準局所的,グローバル的)との比較を行い,11の実ネットワークで結果が報告されている。
他のリンク予測手法と比較して高い予測精度を示した。
関連論文リスト
- Ensemble Quadratic Assignment Network for Graph Matching [52.20001802006391]
グラフマッチングはコンピュータビジョンやパターン認識において一般的に用いられる技法である。
最近のデータ駆動型アプローチは、グラフマッチングの精度を著しく改善した。
データ駆動手法と従来の手法の利点を組み合わせたグラフニューラルネットワーク(GNN)に基づくアプローチを提案する。
論文 参考訳（メタデータ） (2024-03-11T06:34:05Z) - Reinforcement Learning for Node Selection in Branch-and-Bound [52.2648997215667]
現在の最先端セレクタは手作りのアンサンブルを使用して、ナイーブなサブノードセレクタと、個々のノードデータに依存する学習ノードセレクタを自動的に切り替える。
孤立ノードではなく木の状態全体を考慮しながら強化学習(RL)を用いる新しいシミュレーション手法を提案する。
論文 参考訳（メタデータ） (2023-09-29T19:55:56Z) - Online Centralized Non-parametric Change-point Detection via Graph-based
Likelihood-ratio Estimation [77.81487285123147]
グラフの各ノードを、ほぼリアルタイムで同期して観測されるデータストリームを生成するようにします。
変更ポイント$tau$では、変更はノードのサブセット$C$で発生し、関連するノードストリームの確率分布に影響を与える。
本稿では,ポストチェンジとノードストリームの事前変更分布の確率比の直接推定に基づいて,$tau$を検出して$C$をローカライズするカーネルベースの新しい手法を提案する。
論文 参考訳（メタデータ） (2023-01-08T10:15:24Z) - RAW-GNN: RAndom Walk Aggregation based Graph Neural Network [48.139599737263445]
本稿では,新しいアグリゲーション機構を導入し,RAndom Walk Aggregation-based Graph Neural Network(RAW-GNN)法を提案する。
提案手法は,広義のランダムウォークサーチを用いて,ホモフィリー情報と深さ優先の探索を行い,ヘテロフィリー情報を収集する。
従来の地区をパスベースの地区に置き換え、リカレントニューラルネットワークに基づく新しい経路ベースのアグリゲータを導入する。
論文 参考訳（メタデータ） (2022-06-28T12:19:01Z) - Walk for Learning: A Random Walk Approach for Federated Learning from
Heterogeneous Data [17.978941229970886]
私たちは標準的アプリケーションとしてフェデレートラーニング(FL)に注目します。
FLの主な課題の1つは、ノードとパラメータサーバの間の通信ボトルネックである。
適応型ランダムウォーク学習アルゴリズムを提案する。
論文 参考訳（メタデータ） (2022-06-01T19:53:24Z) - A Metaheuristic Algorithm for Large Maximum Weight Independent Set
Problems [58.348679046591265]
ノード重み付きグラフが与えられたとき、ノード重みが最大となる独立した(相互に非隣接な)ノードの集合を見つける。
このアプリケーションで放送されるグラフの中には、数十万のノードと数億のエッジを持つ大きなものもあります。
我々は,不規則なランダム化適応検索フレームワークにおいてメタヒューリスティックな新しい局所探索アルゴリズムを開発した。
論文 参考訳（メタデータ） (2022-03-28T21:34:16Z) - Degree-Based Random Walk Approach for Graph Embedding [0.0]
計算量が少なく,ノード接続性に配慮した一様サンプリング手法を提案する。
提案アルゴリズムの利点は,大規模グラフに適用した場合にさらに向上する。
論文 参考訳（メタデータ） (2021-10-21T19:16:16Z) - Online non-parametric change-point detection for heterogeneous data
streams observed over graph nodes [79.94639436527454]
本稿では,各ノードのデータストリームに関連付けられた後変化分布と前変化分布の確率比の直接推定に基づいて,$tau$を推定するオンラインノンパラメトリック手法を提案する。
合成実験と実世界の応用について,本手法の質を実証する。
論文 参考訳（メタデータ） (2021-10-20T12:10:15Z) - Private Weighted Random Walk Stochastic Gradient Descent [21.23973736418492]
グラフ内のノードに分散したデータを分散する分散学習環境を考える。
本稿では,データの一様サンプリングと重要サンプリングという2種類のランダムウォークに基づく2つのアルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-09-03T16:52:13Z) - Learning Representations using Spectral-Biased Random Walks on Graphs [18.369974607582584]
このプロセスにおける確率バイアスが、プロセスによって選択されたノードの品質にどの程度影響するかを調査する。
我々は、この近傍を正規化ラプラス行列として表されるノードの近傍部分グラフのスペクトルに基づく確率測度として簡潔に捉えた。
我々は,様々な実世界のデータセット上で,最先端ノード埋め込み技術に対する我々のアプローチを実証的に評価した。
論文 参考訳（メタデータ） (2020-05-19T20:42:43Z) - Investigating Extensions to Random Walk Based Graph Embedding [0.3867052484157571]
ランダムウォークに基づくグラフ埋め込みの新たな拡張を提案する。これは、ウォークから最も頻度の低いノードのパーセンテージを異なるレベルで除去する。
この除去により、我々は遠く離れたノードがノードの近傍に存在することをシミュレートし、従ってそれらの接続を明示的に表現する。
その結果、ランダムウォークベースの手法の拡張(うちを含む)は、予測性能をほんの少しだけ改善することがわかった。
論文 参考訳（メタデータ） (2020-02-17T21:14:02Z)
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。