論文の概要: An Attract-Repel Decomposition of Undirected Networks
- arxiv url: http://arxiv.org/abs/2106.09671v1
- Date: Thu, 17 Jun 2021 17:23:56 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-18 15:43:33.431663
- Title: An Attract-Repel Decomposition of Undirected Networks
- Title（参考訳）: 非方向性ネットワークのトラクション・リペル分解
- Authors: Alexander Peysakhovich, Leon Bottou
- Abstract要約: 我々は、Dot積潜在空間埋め込みが、非方向グラフにおける表現学習の一般的な形式であることを示す。
本稿では、AR分解と呼ばれる単純な拡張を提案する。
実社会ネットワークにおけるAR分解を実証し, 潜伏するホモフィリーとヘテロフィリーの量を測定できることを示す。
- 参考スコア（独自算出の注目度）: 83.98623478484248
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Dot product latent space embedding is a common form of representation
learning in undirected graphs (e.g. social networks, co-occurrence networks).
We show that such models have problems dealing with 'intransitive' situations
where A is linked to B, B is linked to C but A is not linked to C. Such
situations occur in social networks when opposites attract (heterophily) and in
co-occurrence networks when there are substitute nodes (e.g. the presence of
Pepsi or Coke, but rarely both, in otherwise similar purchase baskets). We
present a simple expansion which we call the attract-repel (AR) decomposition:
a set of latent attributes on which similar nodes attract and another set of
latent attributes on which similar nodes repel. We demonstrate the AR
decomposition in real social networks and show that it can be used to measure
the amount of latent homophily and heterophily. In addition, it can be applied
to co-occurrence networks to discover roles in teams and find substitutable
ingredients in recipes.
- Abstract（参考訳）: ドット積潜在空間埋め込み(Dot product latent space embedded)は、非方向グラフにおける表現学習の一般的な形式である。
ソーシャルネットワーク、共起ネットワーク)。
a が b にリンクされ、b が c にリンクされているが、a が c にリンクされていないような '非推移的' な状況を扱う場合には、このようなモデルでは問題が発生する。
Pepsi (三人称単数 現在形 Pepsis, 現在分詞 Pepsis, 過去形および過去分詞形 Pepsi)
本稿では、類似ノードが引き寄せる潜在属性と、類似ノードが引き寄せる潜在属性のセットと、類似ノードが引き寄せる潜在属性のセットのセットという、AR分解と呼ばれる単純な拡張を示す。
実社会ネットワークにおけるAR分解を実証し, 潜伏するホモフィリーとヘテロフィリーの量を測定できることを示す。
さらに、共起ネットワークに適用して、チームにおける役割を発見し、レシピに代替可能な材料を見つけることもできる。
関連論文リスト
- Efficient Link Prediction via GNN Layers Induced by Negative Sampling [92.05291395292537]
リンク予測のためのグラフニューラルネットワーク(GNN)は、緩やかに2つの広いカテゴリに分けられる。
まず、Emphnode-wiseアーキテクチャは各ノードの個別の埋め込みをプリコンパイルし、後に単純なデコーダで結合して予測を行う。
第二に、エンフェッジワイド法は、ペアワイド関係の表現を強化するために、エッジ固有のサブグラフ埋め込みの形成に依存している。
論文 参考訳（メタデータ） (2023-10-14T07:02:54Z) - Promotion/Inhibition Effects in Networks: A Model with Negative
Probabilities [0.0]
生物学的ネットワークは、しばしばグラフの符号付きエッジウェイトとして促進/抑制をカプセル化する。
逆問題に対処し,ノードにおける有意な隣接度と表現レベルに基づいてネットワークエッジウェイトを決定する。
論文 参考訳（メタデータ） (2023-07-15T08:03:05Z) - NodeFormer: A Scalable Graph Structure Learning Transformer for Node
Classification [70.51126383984555]
本稿では,任意のノード間のノード信号を効率的に伝搬する全ペアメッセージパッシング方式を提案する。
効率的な計算は、カーナライズされたGumbel-Softmax演算子によって実現される。
グラフ上のノード分類を含む様々なタスクにおいて,本手法の有望な有効性を示す実験を行った。
論文 参考訳（メタデータ） (2023-06-14T09:21:15Z) - Semisupervised regression in latent structure networks on unknown
manifolds [7.5722195869569]
ランダムドット積グラフは、それぞれの潜在位置の内積によって与えられる確率を持つ2つのノードの間にエッジを形成する。
本稿では,サンプル外ノードの応答変数を予測するために,多様体学習およびグラフ埋め込み手法を提案する。
論文 参考訳（メタデータ） (2023-05-04T00:41:04Z) - Spectral embedding and the latent geometry of multipartite networks [67.56499794542228]
多くのネットワークはマルチパーティションであり、ノードはパーティションに分割され、同じパーティションのノードは接続されない。
本稿では,高次元空間の分割特異的な低次元部分空間近傍のスペクトル埋め込みにより得られるノード表現について述べる。
スペクトル埋め込み後の追従ステップとして,周辺次元ではなく固有次元のノード表現を復元する手法を提案する。
論文 参考訳（メタデータ） (2022-02-08T15:52:03Z) - An Interpretable Graph Generative Model with Heterophily [38.59200985962146]
ヘテロフィリーを捉えるのに十分な表現性を持つ最初のエッジ非依存グラフ生成モデルを提案する。
我々の実験は、様々な重要なアプリケーションタスクに対して、我々のモデルの有効性を実証する。
論文 参考訳（メタデータ） (2021-11-04T17:34:39Z) - 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) - Directed Graph Representation through Vector Cross Product [2.398608007786179]
グラフ埋め込み法はグラフトポロジーを保ちながら低次元ベクトル空間のグラフにノードを埋め込む。
最近の有向グラフの研究は、各ノードに対する2つの埋め込み(ソースとターゲット)を学習することで、ノード間のエッジの向きを保つために提案されている。
本稿では,ベクトルクロス積の非可換性を利用して,ノード間のエッジ方向を本質的に保存する埋め込みを学習する手法を提案する。
論文 参考訳（メタデータ） (2020-10-21T03:17:44Z) - Factorizable Graph Convolutional Networks [90.59836684458905]
本稿では,グラフに符号化された相互に絡み合った関係を明示的に解消する新しいグラフ畳み込みネットワーク(GCN)を提案する。
FactorGCNは単純なグラフを入力として取り、それをいくつかの分解グラフに分解する。
提案したFacterGCNは,合成および実世界のデータセットに対して質的かつ定量的に評価する。
論文 参考訳（メタデータ） (2020-10-12T03:01:40Z) - Adversarial Directed Graph Embedding [43.69472660189029]
本稿では、DGGANと呼ばれるジェネレーティブ・アドバイサル・ネットワークに基づく新しいグラフ埋め込みフレームワークを提案する。
主なアイデアは、各ノードのソースとターゲットベクターを共同で学習する2つのジェネレータと識別器をデプロイするために、敵のメカニズムを使用することである。
大規模な実験により、DGGANは有向グラフ上の複数のグラフマイニングタスクにまたがる既存の最先端の手法を一貫して、著しく上回っていることが示された。
論文 参考訳（メタデータ） (2020-08-09T06:10:11Z)
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。