論文の概要: Embedding Heterogeneous Networks into Hyperbolic Space Without Meta-path

• arxiv url: http://arxiv.org/abs/2106.09923v1
• Date: Fri, 18 Jun 2021 05:24:13 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-21 14:02:12.651563
• Title: Embedding Heterogeneous Networks into Hyperbolic Space Without Meta-path
• Title（参考訳）: メタパスのない双曲空間に異種ネットワークを埋め込む
• Authors: Lili Wang, Chongyang Gao, Chenghan Huang, Ruibo Liu, Weicheng Ma, Soroush Vosoughi
• Abstract要約: 本稿では,異種ネットワークを双曲空間に埋め込むメタパスを必要としない,自己誘導型ランダムウォーク法を提案する。 我々は,2つの公開データセット上でのネットワーク再構築とリンク予測のタスクについて,徹底的な実験を行った。
• 参考スコア（独自算出の注目度）: 9.153817737157365
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Networks found in the real-world are numerous and varied. A common type of network is the heterogeneous network, where the nodes (and edges) can be of different types. Accordingly, there have been efforts at learning representations of these heterogeneous networks in low-dimensional space. However, most of the existing heterogeneous network embedding methods suffer from the following two drawbacks: (1) The target space is usually Euclidean. Conversely, many recent works have shown that complex networks may have hyperbolic latent anatomy, which is non-Euclidean. (2) These methods usually rely on meta-paths, which require domain-specific prior knowledge for meta-path selection. Additionally, different down-streaming tasks on the same network might require different meta-paths in order to generate task-specific embeddings. In this paper, we propose a novel self-guided random walk method that does not require meta-path for embedding heterogeneous networks into hyperbolic space. We conduct thorough experiments for the tasks of network reconstruction and link prediction on two public datasets, showing that our model outperforms a variety of well-known baselines across all tasks.
• Abstract（参考訳）: 現実世界で見られるネットワークは多種多様である。 一般的なタイプのネットワークは異種ネットワークであり、ノード(とエッジ)は異なるタイプのネットワークである。 そのため、これらの異種ネットワークの低次元空間での表現を学習する努力が続けられている。 しかし、既存のヘテロジニアスなネットワーク埋め込み手法のほとんどが以下の2つの欠点を抱えている: (1) 対象空間は通常ユークリッド空間である。 逆に、近年の多くの研究は、複素ネットワークが非ユークリッドである双曲潜在解剖を持つことを示した。 2) これらの手法は通常、メタパスの選択にドメイン固有の事前知識を必要とするメタパスに依存する。 さらに、同じネットワーク上の異なるダウンストリームタスクは、タスク固有の埋め込みを生成するために異なるメタパスを必要とするかもしれない。 本稿では,異種ネットワークを双曲空間に埋め込むメタパスを必要としない,自己誘導型ランダムウォーク法を提案する。 我々は,2つの公開データセット上でネットワーク再構成とリンク予測のタスクを徹底的に実験し,各タスクでよく知られたベースラインを上回ることを示す。

関連論文リスト

• Leveraging Multi-facet Paths for Heterogeneous Graph Representation Learning [2.603958690885184]
  MF2Vecは、事前に定義されたメタパスの代わりに、多面的(きめ細かい)パスを使用するモデルである。 この方法はノードとその関係の多様な側面を学習し、均質なネットワークを構築し、分類、リンク予測、クラスタリングのためのノード埋め込みを生成する。
  論文  参考訳（メタデータ） (2024-07-30T08:45:32Z)
• Riemannian Residual Neural Networks [58.925132597945634]
  残余ニューラルネットワーク(ResNet)の拡張方法を示す。 ResNetは、機械学習において、有益な学習特性、優れた経験的結果、そして様々なニューラルネットワークを構築する際に容易に組み込める性質のために、ユビキタスになった。
  論文  参考訳（メタデータ） (2023-10-16T02:12:32Z)
• Multiplex Heterogeneous Graph Convolutional Network [25.494590588212542]
  異種ネットワーク埋め込みのための多重異種グラフ畳み込みネットワーク(MHGCN)を提案する。 我々のMHGCNは、多重異種ネットワークにおいて、異なる長さの有用な異種メタパス相互作用を自動的に学習することができる。
  論文  参考訳（メタデータ） (2022-08-12T06:17:54Z)
• A singular Riemannian geometry approach to Deep Neural Networks II. Reconstruction of 1-D equivalence classes [78.120734120667]
  入力空間における出力多様体内の点の事前像を構築する。 我々は、n-次元実空間から(n-1)-次元実空間へのニューラルネットワークマップの場合の簡易性に焦点をあてる。
  論文  参考訳（メタデータ） (2021-12-17T11:47:45Z)
• Unsupervised Domain-adaptive Hash for Networks [81.49184987430333]
  ドメイン適応型ハッシュ学習はコンピュータビジョンコミュニティでかなりの成功を収めた。 UDAHと呼ばれるネットワークのための教師なしドメイン適応型ハッシュ学習手法を開発した。
  論文  参考訳（メタデータ） (2021-08-20T12:09:38Z)
• Meta-Path-Free Representation Learning on Heterogeneous Networks [5.106061955284303]
  異種ネットワーク,すなわち異種グラフ畳み込みネットワーク(HCN)におけるメタパス自由表現学習を提案する。 提案手法は異種を融合させ、$k$-strataアルゴリズム($k$は整数)を開発し、$k$-hopの構造的および意味的情報をキャプチャする。 実験の結果,提案手法は様々な解析課題において,現在の最先端手法よりも有意に優れていた。
  論文  参考訳（メタデータ） (2021-02-16T12:37:38Z)
• TriNE: Network Representation Learning for Tripartite Heterogeneous Networks [8.93957397187611]
  我々はTriNEと呼ばれる三部構造ヘテロジニアスネットワークを組込み開発する。 この手法は、ノード間の明示的な関係をモデル化する目的関数を構築するために、ユニークなユーザ-item-tag三部関係を考察する。 実世界の三部ネットワークの実験は、オンラインユーザ応答予測におけるTriNEの性能を検証する。
  論文  参考訳（メタデータ） (2020-10-14T05:30:09Z)
• A Multi-Semantic Metapath Model for Large Scale Heterogeneous Network Representation Learning [52.83948119677194]
  大規模不均一表現学習のためのマルチセマンティックメタパス(MSM)モデルを提案する。 具体的には,マルチセマンティックなメタパスに基づくランダムウォークを生成し,不均衡な分布を扱うヘテロジニアスな近傍を構築する。 提案するフレームワークに対して,AmazonとAlibabaの2つの挑戦的なデータセットに対して,体系的な評価を行う。
  論文  参考訳（メタデータ） (2020-07-19T22:50:20Z)
• Unsupervised Differentiable Multi-aspect Network Embedding [52.981277420394846]
  本稿では,asp2vecと呼ばれるマルチアスペクトネットワーク埋め込みのための新しいエンドツーエンドフレームワークを提案する。 提案するフレームワークは容易に異種ネットワークに拡張できる。
  論文  参考訳（メタデータ） (2020-06-07T19:26:20Z)
• Detecting Communities in Heterogeneous Multi-Relational Networks:A Message Passing based Approach [89.19237792558687]
  コミュニティは、ソーシャルネットワーク、生物学的ネットワーク、コンピュータおよび情報ネットワークを含むネットワークの共通の特徴である。 我々は,全同種ネットワークのコミュニティを同時に検出する効率的なメッセージパッシングに基づくアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-04-06T17:36:24Z)

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。