論文の概要: Exploring the Representational Power of Graph Autoencoder
- arxiv url: http://arxiv.org/abs/2106.12005v1
- Date: Tue, 22 Jun 2021 18:23:26 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-24 15:32:37.971702
- Title: Exploring the Representational Power of Graph Autoencoder
- Title（参考訳）: グラフオートエンコーダの表現力の探索
- Authors: Maroun Haddad and Mohamed Bouguessa
- Abstract要約: グラフオートエンコーダの第1層には,Degree,Local Clustering Score,Interferness Centrality,Eigenvector Centrality,Triangle Countが保存されている。
また、そのような特性を持つモデルが、特定の下流タスク、特にそのタスクに関連のある保存機能において、他のモデルよりも優れていることを示す。
- 参考スコア（独自算出の注目度）: 1.005130974691351
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: While representation learning has yielded a great success on many graph
learning tasks, there is little understanding behind the structures that are
being captured by these embeddings. For example, we wonder if the topological
features, such as the Triangle Count, the Degree of the node and other
centrality measures are concretely encoded in the embeddings. Furthermore, we
ask if the presence of these structures in the embeddings is necessary for a
better performance on the downstream tasks, such as clustering and
classification. To address these questions, we conduct an extensive empirical
study over three classes of unsupervised graph embedding models and seven
different variants of Graph Autoencoders. Our results show that five
topological features: the Degree, the Local Clustering Score, the Betweenness
Centrality, the Eigenvector Centrality, and Triangle Count are concretely
preserved in the first layer of the graph autoencoder that employs the SUM
aggregation rule, under the condition that the model preserves the second-order
proximity. We supplement further evidence for the presence of these features by
revealing a hierarchy in the distribution of the topological features in the
embeddings of the aforementioned model. We also show that a model with such
properties can outperform other models on certain downstream tasks, especially
when the preserved features are relevant to the task at hand. Finally, we
evaluate the suitability of our findings through a test case study related to
social influence prediction.
- Abstract（参考訳）: 表現学習は多くのグラフ学習タスクで大きな成功を収めてきたが、これらの埋め込みによって捉えられている構造の背後にある理解はほとんどない。
例えば、三角数、ノードの次数、その他の中心性測度といった位相的特徴が埋め込みに具体的にエンコードされているかどうか疑問である。
さらに,これらの構造が組み込まれている場合,クラスタ化や分類といった下流タスクのパフォーマンス向上のために必要かどうかを問う。
これらの問題に対処するために、教師なしグラフ埋め込みモデルの3つのクラスと7種類のグラフオートエンコーダに関する広範な実証研究を行う。
この結果から,SUMアグリゲーションルールを用いたグラフオートエンコーダの第1層において,モデルが第2次近傍を保存する条件下で,Degree,Local Clustering Score,Interfaceness Centrality,Eigenvector Centrality,Triangle Countの5つのトポロジ的特徴が具体的に保存されていることがわかった。
上記のモデルの埋め込みにおけるトポロジ的特徴の分布の階層構造を明らかにすることで,これらの特徴の存在のさらなる証拠を補足する。
また、そのような特性を持つモデルが、特定の下流タスク、特にそのタスクに関連のある保存機能において、他のモデルよりも優れていることを示す。
最後に,社会影響予測に関するテストケーススタディを通じて,本研究の適合性を評価する。
関連論文リスト
- Feature graphs for interpretable unsupervised tree ensembles: centrality, interaction, and application in disease subtyping [0.24578723416255746]
特徴の選択は、モデルの解釈可能性を高める上で重要な役割を担います。
決定木を集約することで得られる精度は、解釈可能性の犠牲となる。
この研究では、教師なしランダムな森林から特徴グラフを構築するための新しい手法を紹介した。
論文 参考訳（メタデータ） (2024-04-27T12:47:37Z) - Deep Contrastive Graph Learning with Clustering-Oriented Guidance [61.103996105756394]
グラフ畳み込みネットワーク(GCN)は、グラフベースのクラスタリングを改善する上で大きな可能性を秘めている。
モデルはGCNを適用するために初期グラフを事前に推定する。
一般的なデータクラスタリングには,Deep Contrastive Graph Learning (DCGL)モデルが提案されている。
論文 参考訳（メタデータ） (2024-02-25T07:03:37Z) - Rank Collapse Causes Over-Smoothing and Over-Correlation in Graph Neural Networks [3.566568169425391]
深さが大きくなると、ノード表現はアグリゲーション関数に依存するが特徴変換には依存しない低次元部分空間に支配されることが示される。
すべてのアグリゲーション関数について、ノード表現のランクは崩壊し、特定のアグリゲーション関数に対して過度に滑らかになる。
論文 参考訳（メタデータ） (2023-08-31T15:22:31Z) - GrannGAN: Graph annotation generative adversarial networks [72.66289932625742]
本稿では,高次元分布をモデル化し,グラフスケルトンと整合した複雑な関係特徴構造を持つデータの新しい例を生成することの問題点を考察する。
提案するモデルは,タスクを2つのフェーズに分割することで,各データポイントのグラフ構造に制約されたデータ特徴を生成する問題に対処する。
第一に、与えられたグラフのノードに関連する機能の分布をモデル化し、第二に、ノードのフィーチャに条件付きでエッジ機能を補完する。
論文 参考訳（メタデータ） (2022-12-01T11:49:07Z) - Towards Open-World Feature Extrapolation: An Inductive Graph Learning
Approach [80.8446673089281]
グラフ表現と学習を伴う新しい学習パラダイムを提案する。
本フレームワークは,1) 下位モデルとしてのバックボーンネットワーク(フィードフォワードニューラルネットなど)が,予測ラベルの入力および出力として機能を取り,2) 上位モデルとしてのグラフニューラルネットワークが,観測データから構築された特徴データグラフをメッセージパッシングすることで,新機能の埋め込みを外挿することを学ぶ。
論文 参考訳（メタデータ） (2021-10-09T09:02:45Z) - TopoDetect: Framework for Topological Features Detection in Graph
Embeddings [1.005130974691351]
TopoDetectはPythonパッケージで、ユーザーはグラフ表現モデルの埋め込みに重要なトポロジ的機能が保存されているかどうかを調査できる。
このフレームワークは、ノード間のトポロジ的特徴の分布に応じた埋め込みの可視化を可能にする。
論文 参考訳（メタデータ） (2021-10-08T14:54:53Z) - Temporal Graph Network Embedding with Causal Anonymous Walks
Representations [54.05212871508062]
本稿では,時間グラフネットワークに基づく動的ネットワーク表現学習のための新しいアプローチを提案する。
評価のために、時間的ネットワーク埋め込みの評価のためのベンチマークパイプラインを提供する。
欧州の大手銀行が提供した実世界のダウンストリームグラフ機械学習タスクにおいて、我々のモデルの適用性と優れた性能を示す。
論文 参考訳（メタデータ） (2021-08-19T15:39:52Z) - Temporal graph-based approach for behavioural entity classification [0.0]
本研究では,サイバーセキュリティ領域におけるグラフ構造の可能性を利用するための2段階的アプローチを提案する。
主なアイデアは、ネットワーク分類問題をグラフベースの振る舞い問題に変換することです。
正常実体と攻撃実体の両方の進化を表すことができるこれらのグラフ構造を抽出します。
3つのクラスタリング手法が通常のエンティティに適用され、類似の動作を集約し、不均衡問題を緩和し、ノイズデータを削減する。
論文 参考訳（メタデータ） (2021-05-11T06:13:58Z) - Persistent Homology and Graphs Representation Learning [0.7734726150561088]
永続ホモロジーで利用可能なツールを用いて,ノードグラフ表現埋め込みに符号化される位相不変性について検討する。
私たちの構造は、グラフレベルとノードレベルの両方で、ユニークな永続化ベースのグラフディスクリプタを効果的に定義します。
提案手法の有効性を実証するため,DeepWalk,Node2Vec,Diff2Vecのトポロジカル記述子について検討した。
論文 参考訳（メタデータ） (2021-02-25T15:26:21Z) - Hierarchical Graph Capsule Network [78.4325268572233]
ノード埋め込みを共同で学習し,グラフ階層を抽出できる階層型グラフカプセルネットワーク(HGCN)を提案する。
階層的表現を学ぶために、HGCNは下層カプセル(部分)と高層カプセル(全体)の間の部分的関係を特徴付ける。
論文 参考訳（メタデータ） (2020-12-16T04:13:26Z) - Learning What Makes a Difference from Counterfactual Examples and
Gradient Supervision [57.14468881854616]
ニューラルネットワークの一般化能力を改善するための補助的学習目標を提案する。
我々は、異なるラベルを持つ最小差の例のペア、すなわち反ファクトまたはコントラストの例を使用し、タスクの根底にある因果構造を示す信号を与える。
このテクニックで訓練されたモデルは、配布外テストセットのパフォーマンスを向上させる。
論文 参考訳（メタデータ） (2020-04-20T02:47:49Z)
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。