論文の概要: CoANE: Modeling Context Co-occurrence for Attributed Network Embedding

• arxiv url: http://arxiv.org/abs/2106.09241v1
• Date: Thu, 17 Jun 2021 04:31:02 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-18 16:03:14.919690
• Title: CoANE: Modeling Context Co-occurrence for Attributed Network Embedding
• Title（参考訳）: CoANE: 分散ネットワーク埋め込みのためのコンテキスト共起のモデリング
• Authors: I-Chung Hsieh, Cheng-Te Li
• Abstract要約: 分散ネットワーク埋め込み(ANE)とは、ネットワーク構造だけでなく、ノード属性も保存できるように、低次元ベクトルを学習することである。 我々は新しいANEモデルであるContext Co-occurrence-aware Attributed Network Embedding (CoANE)を提案する。 コンテキスト共起の学習は、各ノードの潜伏する社会円を捉えることができる。
• 参考スコア（独自算出の注目度）: 10.609715843964263
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Attributed network embedding (ANE) is to learn low-dimensional vectors so that not only the network structure but also node attributes can be preserved in the embedding space. Existing ANE models do not consider the specific combination between graph structure and attributes. While each node has its structural characteristics, such as highly-interconnected neighbors along with their certain patterns of attribute distribution, each node's neighborhood should be not only depicted by multi-hop nodes, but consider certain clusters or social circles. To model such information, in this paper, we propose a novel ANE model, Context Co-occurrence-aware Attributed Network Embedding (CoANE). The basic idea of CoANE is to model the context attributes that each node's involved diverse patterns, and apply the convolutional mechanism to encode positional information by treating each attribute as a channel. The learning of context co-occurrence can capture the latent social circles of each node. To better encode structural and semantic knowledge of nodes, we devise a three-way objective function, consisting of positive graph likelihood, contextual negative sampling, and attribute reconstruction. We conduct experiments on five real datasets in the tasks of link prediction, node label classification, and node clustering. The results exhibit that CoANE can significantly outperform state-of-the-art ANE models.
• Abstract（参考訳）: 帰結型ネットワーク埋め込み(ane)は、ネットワーク構造だけでなく、ノード属性も埋め込み空間に保存できるように、低次元ベクトルを学ぶことである。 既存のANEモデルは、グラフ構造と属性の特定の組み合わせを考慮していない。 各ノードは、特定の属性分布のパターンとともに、高度に相互接続された隣人のような構造的特徴を持つが、各ノードの近傍は、マルチホップノードだけでなく、特定のクラスタや社会サークルも考慮すべきである。 このような情報をモデル化するために,本稿では,新しいANEモデルであるContext Co-occurrence-aware Attributed Network Embedding (CoANE)を提案する。 CoANEの基本的な考え方は、各ノードの多様なパターンに関連するコンテキスト属性をモデル化し、各属性をチャネルとして扱うことで位置情報をエンコードする畳み込み機構を適用することである。 コンテキスト共起の学習は各ノードの潜伏する社会円を捉えることができる。 ノードの構造的および意味的知識をよりよくエンコードするために、正のグラフ可能性、文脈的負のサンプリング、属性の再構成からなる3方向の目的関数を考案する。 リンク予測,ノードラベル分類,ノードクラスタリングという5つの実際のデータセットについて実験を行った。 その結果、CoANEは最先端のANEモデルよりも大幅に優れていることがわかった。

関連論文リスト

• Exact Recovery and Bregman Hard Clustering of Node-Attributed Stochastic Block Model [0.16385815610837165]
  本稿では,コミュニティラベルの正確な回復のための情報理論的基準を提案する。 ネットワークと属性情報をどのように交換して正確なリカバリを行うかを示す。 また、共同確率を最大化する反復的クラスタリングアルゴリズムも提示する。
  論文  参考訳（メタデータ） (2023-10-30T16:46:05Z)
• Collaborative Graph Neural Networks for Attributed Network Embedding [63.39495932900291]
  グラフニューラルネットワーク(GNN)は、属性付きネットワーク埋め込みにおいて顕著な性能を示している。 本稿では,ネットワーク埋め込みに適したGNNアーキテクチャであるCulaborative graph Neural Networks-CONNを提案する。
  論文  参考訳（メタデータ） (2023-07-22T04:52:27Z)
• SHGNN: Structure-Aware Heterogeneous Graph Neural Network [77.78459918119536]
  本稿では、上記の制約に対処する構造対応不均一グラフニューラルネットワーク(SHGNN)を提案する。 まず,メタパス内の中間ノードの局所構造情報を取得するために,特徴伝搬モジュールを利用する。 次に、ツリーアテンションアグリゲータを使用して、グラフ構造情報をメタパス上のアグリゲーションモジュールに組み込む。 最後に、メタパスアグリゲータを利用して、異なるメタパスから集約された情報を融合する。
  論文  参考訳（メタデータ） (2021-12-12T14:18:18Z)
• Explicit Pairwise Factorized Graph Neural Network for Semi-Supervised Node Classification [59.06717774425588]
  本稿では,グラフ全体を部分的に観測されたマルコフ確率場としてモデル化するEPFGNN(Explicit Pairwise Factorized Graph Neural Network)を提案する。 出力-出力関係をモデル化するための明示的なペアワイズ要素を含み、入力-出力関係をモデル化するためにGNNバックボーンを使用する。 本研究では,グラフ上での半教師付きノード分類の性能を効果的に向上できることを示す。
  論文  参考訳（メタデータ） (2021-07-27T19:47:53Z)
• A Generative Node-attribute Network Model for Detecting Generalized Structure [6.151348127802708]
  トポロジ情報と属性情報の両方を生成できる原理モデル(GNAN)を提案する。 新しいモデルは、コミュニティ構造だけでなく、ネットワーク内の他の種類の構造も検出できる。 合成と実世界の両方のネットワークの実験は、新しいモデルが他の最先端モデルと競合していることを示している。
  論文  参考訳（メタデータ） (2021-06-05T12:07:04Z)
• 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)
• Tree Structure-Aware Graph Representation Learning via Integrated Hierarchical Aggregation and Relational Metric Learning [26.8738194817491]
  グラフ表現学習のための木構造対応グラフニューラルネットワークモデルT-GNNを提案する。 提案するT-GNNは,(1)階層型集約モジュールと(2)関係計量学習モジュールの2つのモジュールから構成される。
  論文  参考訳（メタデータ） (2020-08-23T09:41:19Z)
• Graph Prototypical Networks for Few-shot Learning on Attributed Networks [72.31180045017835]
  グラフメタ学習フレームワーク - Graph Prototypeal Networks (GPN) を提案する。 GPNは、属性付きネットワーク上でテキストミータ学習を行い、ターゲット分類タスクを扱うための高度に一般化可能なモデルを導出する。
  論文  参考訳（メタデータ） (2020-06-23T04:13:23Z)
• Graph Neural Networks with Composite Kernels [60.81504431653264]
  カーネル重み付けの観点からノード集約を再解釈する。 本稿では,アグリゲーション方式における特徴類似性を考慮したフレームワークを提案する。 特徴空間における特徴類似性をエンコードするために,元の隣り合うカーネルと学習可能なカーネルの合成として特徴集約を提案する。
  論文  参考訳（メタデータ） (2020-05-16T04:44:29Z)
• A Block-based Generative Model for Attributed Networks Embedding [42.00826538556588]
  本稿では,確率の観点から属性付きネットワーク埋め込みのためのブロックベース生成モデルを提案する。 ニューラルネットワークを用いてノード埋め込みとノード属性間の非線形性を特徴付ける。 その結果,提案手法はクラスタリングと分類タスクの両方において,最先端の埋め込み手法よりも一貫して優れていることがわかった。
  論文  参考訳（メタデータ） (2020-01-06T03:44:15Z)

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。