論文の概要: Graph Similarity Description: How Are These Graphs Similar?

• arxiv url: http://arxiv.org/abs/2105.14364v1
• Date: Sat, 29 May 2021 19:55:27 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-05 14:15:47.623867
• Title: Graph Similarity Description: How Are These Graphs Similar?
• Title（参考訳）: グラフ類似性の説明: このグラフはどのように似ているか?
• Authors: Corinna Coupette, Jilles Vreeken
• Abstract要約: 目的が理解を得ることであれば、グラフの類似性評価を記述問題として扱うべきであると論じる。 我々はこの問題を最小記述長原理を用いてモデル選択タスクとして定式化する。 優れたモデルを発見するために,この問題を2つの部分に分割し,それぞれに効率的なアルゴリズムを導入するMomoを提案する。
• 参考スコア（独自算出の注目度）: 22.13572532899817
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: How do social networks differ across platforms? How do information networks change over time? Answering questions like these requires us to compare two or more graphs. This task is commonly treated as a measurement problem, but numerical answers give limited insight. Here, we argue that if the goal is to gain understanding, we should treat graph similarity assessment as a description problem instead. We formalize this problem as a model selection task using the Minimum Description Length principle, capturing the similarity of the input graphs in a common model and the differences between them in transformations to individual models. To discover good models, we propose Momo, which breaks the problem into two parts and introduces efficient algorithms for each. Through an extensive set of experiments on a wide range of synthetic and real-world graphs, we confirm that Momo works well in practice.
• Abstract（参考訳）: ソーシャルネットワークはプラットフォームによってどう違うのか? 情報ネットワークは時間とともにどのように変化するのか? このような質問に答えるには、2つ以上のグラフを比較する必要があります。 このタスクは一般に測定問題として扱われるが、数値的な答えは限られた洞察を与える。 ここでは,理解を得ることが目的ならば,グラフ類似性評価を記述問題として扱うべきだと論じる。 我々は,この問題を最小記述長原理を用いてモデル選択タスクとして定式化し,共通モデルにおける入力グラフの類似性と各モデルへの変換におけるそれらの差異を捉えた。 優れたモデルを発見するために,この問題を2つの部分に分割し,それぞれに効率的なアルゴリズムを導入するMomoを提案する。 さまざまな合成および実世界のグラフに関する広範な実験を通して、Momoが実際にうまく機能していることを確認する。

関連論文リスト

• Probing Graph Representations [77.7361299039905]
  グラフ表現でキャプチャされた意味のある情報の量を定量化するために、探索フレームワークを使用します。 本研究は, グラフモデルにおける帰納的バイアスを理解するための探索の可能性を示すものである。 グラフベースモデルを評価する上で有用な診断ツールとして,探索を提唱する。
  論文  参考訳（メタデータ） (2023-03-07T14:58:18Z)
• Rethinking Explaining Graph Neural Networks via Non-parametric Subgraph Matching [68.35685422301613]
  そこで我々はMatchExplainerと呼ばれる新しい非パラメトリックな部分グラフマッチングフレームワークを提案し、説明的部分グラフを探索する。 ターゲットグラフと他のインスタンスを結合し、ノードに対応する距離を最小化することで最も重要な結合部分構造を識別する。 合成および実世界のデータセットの実験は、最先端のパラメトリックベースラインをかなりのマージンで上回り、MatchExplainerの有効性を示す。
  論文  参考訳（メタデータ） (2023-01-07T05:14:45Z)
• Modeling and Mining Multi-Aspect Graphs With Scalable Streaming Tensor Decomposition [1.5609988622100528]
  静的および動的マルチアスペクトグラフをマイニングするための新しい手法を提案する。 目標は、データのテンソル構造を利用して、ノード間のコヒーレントなコミュニティとパターンを特定することである。 グラフが動的に進化するにつれて、分解を再計算することなく、データのストリーミング更新を扱うことに重点を置いています。
  論文  参考訳（メタデータ） (2022-10-10T02:26:00Z)
• CGMN: A Contrastive Graph Matching Network for Self-Supervised Graph Similarity Learning [65.1042892570989]
  自己教師付きグラフ類似性学習のためのコントラストグラフマッチングネットワーク(CGMN)を提案する。 我々は,効率的なノード表現学習のために,クロスビューインタラクションとクロスグラフインタラクションという2つの戦略を用いる。 我々はノード表現をグラフ類似性計算のためのプール演算によりグラフレベル表現に変換する。
  論文  参考訳（メタデータ） (2022-05-30T13:20:26Z)
• Graph Self-supervised Learning with Accurate Discrepancy Learning [64.69095775258164]
  離散性に基づく自己監督型LeArning(D-SLA)と呼ばれる原図と摂動グラフの正確な相違を学習することを目的としたフレームワークを提案する。 本稿では,分子特性予測,タンパク質機能予測,リンク予測タスクなど,グラフ関連下流タスクにおける本手法の有効性を検証する。
  論文  参考訳（メタデータ） (2022-02-07T08:04:59Z)
• Representing Videos as Discriminative Sub-graphs for Action Recognition [165.54738402505194]
  ビデオ中の各アクションの識別パターンを表現およびエンコードするためのサブグラフの新たな設計を提案する。 時空グラフとクラスタを各スケールでコンパクトなサブグラフに新たに構築するMUlti-scale Sub-Earn Ling (MUSLE) フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-01-11T16:15:25Z)
• Differentially Describing Groups of Graphs [26.218670461973705]
  この課題をグラフ群解析と呼び、統計学的に有意な部分グラフを用いて、グラフ群間の類似点と相違点を記述する。 グラフ群に統計的に有意な関連を持つ非冗長な部分グラフの集合を同定するために、最大エントロピーモデルを用いるGragraを導入する。
  論文  参考訳（メタデータ） (2021-12-16T15:18:24Z)
• Line Graph Neural Networks for Link Prediction [71.00689542259052]
  実世界の多くのアプリケーションにおいて古典的なグラフ解析問題であるグラフリンク予測タスクについて検討する。 このフォーマリズムでは、リンク予測問題をグラフ分類タスクに変換する。 本稿では,線グラフをグラフ理論に用いて,根本的に異なる新しい経路を求めることを提案する。 特に、線グラフの各ノードは、元のグラフのユニークなエッジに対応するため、元のグラフのリンク予測問題は、グラフ分類タスクではなく、対応する線グラフのノード分類問題として等価に解決できる。
  論文  参考訳（メタデータ） (2020-10-20T05:54:31Z)
• Non-Parametric Graph Learning for Bayesian Graph Neural Networks [35.88239188555398]
  グラフ隣接行列の後方分布を構築するための新しい非パラメトリックグラフモデルを提案する。 このモデルの利点を,ノード分類,リンク予測,レコメンデーションという3つの異なる問題設定で示す。
  論文  参考訳（メタデータ） (2020-06-23T21:10:55Z)

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。