論文の概要: A Comprehensive Survey on Community Detection with Deep Learning

• arxiv url: http://arxiv.org/abs/2105.12584v1
• Date: Wed, 26 May 2021 14:37:07 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-27 13:36:41.815677
• Title: A Comprehensive Survey on Community Detection with Deep Learning
• Title（参考訳）: 深層学習によるコミュニティ検出に関する包括的調査
• Authors: Xing Su, Shan Xue, Fanzhen Liu, Jia Wu, Jian Yang, Chuan Zhou, Wenbin Hu, Cecile Paris, Surya Nepal, Di Jin, Quan Z. Sheng, Philip S. Yu
• Abstract要約: コミュニティは、ネットワーク内の他のコミュニティと異なるメンバーの特徴と接続を明らかにする。 この調査は、最先端の手法の様々なカテゴリをカバーする新しい分類法を考案し、提案する。 ディープニューラルネットワーク(Deep Neural Network)は、畳み込みネットワーク(convolutional network)、グラフアテンションネットワーク( graph attention network)、生成的敵ネットワーク(generative adversarial network)、オートエンコーダ(autoencoder)に分けられる。
• 参考スコア（独自算出の注目度）: 93.40332347374712
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: A community reveals the features and connections of its members that are different from those in other communities in a network. Detecting communities is of great significance in network analysis. Despite the classical spectral clustering and statistical inference methods, we notice a significant development of deep learning techniques for community detection in recent years with their advantages in handling high dimensional network data. Hence, a comprehensive overview of community detection's latest progress through deep learning is timely to both academics and practitioners. This survey devises and proposes a new taxonomy covering different categories of the state-of-the-art methods, including deep learning-based models upon deep neural networks, deep nonnegative matrix factorization and deep sparse filtering. The main category, i.e., deep neural networks, is further divided into convolutional networks, graph attention networks, generative adversarial networks and autoencoders. The survey also summarizes the popular benchmark data sets, model evaluation metrics, and open-source implementations to address experimentation settings. We then discuss the practical applications of community detection in various domains and point to implementation scenarios. Finally, we outline future directions by suggesting challenging topics in this fast-growing deep learning field.
• Abstract（参考訳）: コミュニティは、ネットワーク内の他のコミュニティと異なるメンバーの特徴とつながりを明らかにします。 ネットワーク分析において,コミュニティの検出は非常に重要である。 古典的なスペクトルクラスタリングと統計的推測手法にもかかわらず,近年,コミュニティ検出のための深層学習技術が発展し,高次元ネットワークデータの処理に長けている。 したがって、深層学習によるコミュニティ検出の最近の進歩の総合的な概要は、学者と実践者の両方にとってタイムリーである。 本調査は,ディープニューラルネットワークを用いたディープラーニングモデル,ディープ非負行列分解,ディープスパースフィルタリングなど,最先端手法のさまざまなカテゴリをカバーする新たな分類法を考案し,提案する。 主なカテゴリ、すなわちディープニューラルネットワークは、さらに畳み込みネットワーク、グラフアテンションネットワーク、生成的逆ネットワーク、オートエンコーダに分けられる。 この調査では、人気のあるベンチマークデータセット、モデル評価メトリクス、実験設定に対処するオープンソース実装も要約している。 次に、様々な領域におけるコミュニティ検出の実践的応用と実装シナリオについて論じる。 最後に,この急速に成長するディープラーニング分野における課題を提案することによって,今後の方向性を概説する。

関連論文リスト

• A Survey on Deep Clustering: From the Prior Perspective [9.628838389364864]
  この調査は、6種類の事前知識に分類することで、ディープクラスタリング手法の包括的なレビューを提供する。 広範に使われている5つのデータセットのベンチマークを提供し、様々な先行する手法のパフォーマンスを分析する。
  論文  参考訳（メタデータ） (2024-06-28T02:18:16Z)
• Deep networks for system identification: a Survey [56.34005280792013]
  システム識別は、入力出力データから動的システムの数学的記述を学習する。 同定されたモデルの主な目的は、以前の観測から新しいデータを予測することである。 我々は、フィードフォワード、畳み込み、リカレントネットワークなどの文献で一般的に採用されているアーキテクチャについて論じる。
  論文  参考訳（メタデータ） (2023-01-30T12:38:31Z)
• GCN-based Multi-task Representation Learning for Anomaly Detection in Attributed Networks [31.565081319419225]
  近年、金融、ネットワークセキュリティ、医療など幅広い分野に応用されているため、属性付きネットワークにおける異常検出が注目されている。 従来のアプローチは、異常検出の問題を解決するために、属性付きネットワークの設定には適用できない。 マルチタスク学習を用いた異常検出の新しいアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2022-07-08T04:54:53Z)
• A Comprehensive Survey on Deep Clustering: Taxonomy, Challenges, and Future Directions [48.97008907275482]
  クラスタリングは、文献で広く研究されている基本的な機械学習タスクである。 ディープクラスタリング(Deep Clustering)、すなわち表現学習とクラスタリングを共同で最適化する手法が提案され、コミュニティで注目を集めている。 深層クラスタリングの本質的なコンポーネントを要約し、深層クラスタリングと深層クラスタリングの相互作用を設計する方法によって既存の手法を分類する。
  論文  参考訳（メタデータ） (2022-06-15T15:05:13Z)
• Anomaly Detection on Attributed Networks via Contrastive Self-Supervised Learning [50.24174211654775]
  本論文では,アトリビュートネットワーク上の異常検出のためのコントラスト型自己監視学習フレームワークを提案する。 このフレームワークは、新しいタイプのコントラストインスタンスペアをサンプリングすることで、ネットワークデータからのローカル情報を完全に活用します。 高次元特性と局所構造から情報埋め込みを学習するグラフニューラルネットワークに基づくコントラスト学習モデルを提案する。
  論文  参考訳（メタデータ） (2021-02-27T03:17:20Z)
• A Survey of Community Detection Approaches: From Statistical Modeling to Deep Learning [95.27249880156256]
  ネットワークコミュニティファイリング手法の統一アーキテクチャを開発し,提案する。 既存の手法を確率的グラフィカルモデルとディープラーニングという2つのカテゴリに分けた新しい分類法を提案する。 フィールドの課題の議論と今後の研究の方向性の提案を締めくくります。
  論文  参考訳（メタデータ） (2021-01-03T02:32:45Z)
• Deep Learning for Community Detection: Progress, Challenges and Opportunities [79.26787486888549]
  この記事では、ディープニューラルネットワークにおける様々なフレームワーク、モデル、アルゴリズムの貢献について要約する。 この記事では、ディープニューラルネットワークにおける様々なフレームワーク、モデル、アルゴリズムの貢献について要約する。
  論文  参考訳（メタデータ） (2020-05-17T11:22:11Z)

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。