論文の概要: Group-Node Attention for Community Evolution Prediction

• arxiv url: http://arxiv.org/abs/2107.04522v1
• Date: Fri, 9 Jul 2021 16:16:10 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-12 13:32:39.269179
• Title: Group-Node Attention for Community Evolution Prediction
• Title（参考訳）: コミュニティ進化予測のためのグループノード注意
• Authors: Matt Revelle, Carlotta Domeniconi, Ben Gelman
• Abstract要約: 本稿では,構造情報と時間情報からコミュニティの進化を予測するための新しいグラフニューラルネットワークを提案する。 標準ベースライン法との比較評価を行い,本モデルがベースライン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）: 9.777369108179501
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Communities in social networks evolve over time as people enter and leave the network and their activity behaviors shift. The task of predicting structural changes in communities over time is known as community evolution prediction. Existing work in this area has focused on the development of frameworks for defining events while using traditional classification methods to perform the actual prediction. We present a novel graph neural network for predicting community evolution events from structural and temporal information. The model (GNAN) includes a group-node attention component which enables support for variable-sized inputs and learned representation of groups based on member and neighbor node features. A comparative evaluation with standard baseline methods is performed and we demonstrate that our model outperforms the baselines. Additionally, we show the effects of network trends on model performance.
• Abstract（参考訳）: ソーシャルネットワークのコミュニティは、人々がネットワークに入り、去るにつれて進化し、活動行動は変化する。 時間とともにコミュニティの構造変化を予測するタスクは、コミュニティ進化予測として知られている。 この領域における既存の作業は、実際の予測を行うために従来の分類手法を使用しながら、イベントを定義するフレームワークの開発に焦点を当ててきた。 本稿では,構造的および時間的情報からコミュニティ進化イベントを予測するための新しいグラフニューラルネットワークを提案する。 モデル(GNAN)は、可変サイズの入力と、メンバーおよび隣接ノードの特徴に基づくグループの学習表現を可能にするグループノードアテンションコンポーネントを含む。 標準ベースライン法との比較評価を行い,本モデルがベースラインよりも優れていることを示す。 さらに,ネットワークの傾向がモデル性能に及ぼす影響を示す。

関連論文リスト

• Hierarchical-Graph-Structured Edge Partition Models for Learning Evolving Community Structure [0.9208007322096532]
  本稿では,時間的ネットワーク内での潜在コミュニティの進化を捉えるために,新しい動的ネットワークモデルを提案する。 我々のモデルは、推測されたコミュニティ構造が相互に結合し、分割し、相互作用し、複雑なネットワークのダイナミクスを包括的に理解することを可能にする。
  論文  参考訳（メタデータ） (2024-11-18T12:48:15Z)
• Out-of-Distribution Generalized Dynamic Graph Neural Network with Disentangled Intervention and Invariance Promotion [61.751257172868186]
  動的グラフニューラルネットワーク(DyGNN)は、グラフと時間力学を利用して強力な予測能力を実証している。 既存のDyGNNは、動的グラフに自然に存在する分散シフトを処理できない。
  論文  参考訳（メタデータ） (2023-11-24T02:42:42Z)
• Enhance Ambiguous Community Structure via Multi-strategy Community Related Link Prediction Method with Evolutionary Process [7.239725647907488]
  我々は新しいコミュニティ属性に基づくリンク予測戦略HAPを設計する。 本稿では,あいまいなコミュニティ構造を明らかにするためのリンクを追加することで,コミュニティの強化を図ることを目的とする。 提案手法は,提案手法が他のベースライン法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-04-28T06:24:16Z)
• Preference Enhanced Social Influence Modeling for Network-Aware Cascade Prediction [59.221668173521884]
  本稿では,ユーザの嗜好モデルを強化することで,カスケードサイズ予測を促進する新しいフレームワークを提案する。 エンド・ツー・エンドの手法により,ユーザの情報拡散プロセスがより適応的で正確になる。
  論文  参考訳（メタデータ） (2022-04-18T09:25:06Z)
• A Variational Edge Partition Model for Supervised Graph Representation Learning [51.30365677476971]
  本稿では,重なり合うノード群間の相互作用を集約することで,観測されたエッジがどのように生成されるかをモデル化するグラフ生成プロセスを提案する。 それぞれのエッジを複数のコミュニティ固有の重み付きエッジの和に分割し、コミュニティ固有のGNNを定義する。 エッジを異なるコミュニティに分割するGNNベースの推論ネットワーク,これらのコミュニティ固有のGNN,およびコミュニティ固有のGNNを最終分類タスクに組み合わせたGNNベースの予測器を共同で学習するために,変分推論フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-02-07T14:37:50Z)
• A Comprehensive Survey on Community Detection with Deep Learning [93.40332347374712]
  コミュニティは、ネットワーク内の他のコミュニティと異なるメンバーの特徴と接続を明らかにする。 この調査は、最先端の手法の様々なカテゴリをカバーする新しい分類法を考案し、提案する。 ディープニューラルネットワーク(Deep Neural Network)は、畳み込みネットワーク(convolutional network)、グラフアテンションネットワーク( graph attention network)、生成的敵ネットワーク(generative adversarial network)、オートエンコーダ(autoencoder)に分けられる。
  論文  参考訳（メタデータ） (2021-05-26T14:37:07Z)
• On the Impact of Communities on Semi-supervised Classification Using Graph Neural Networks [0.5872014229110213]
  半教師付きノード分類におけるGNNの性能に対するコミュニティ構造の影響をグラフ上で体系的に研究する。 その結果,コミュニティは学習過程や分類性能に大きな影響を与えることが示唆された。
  論文  参考訳（メタデータ） (2020-10-30T13:17:38Z)
• Amortized Probabilistic Detection of Communities in Graphs [39.56798207634738]
  そこで我々は,アモータイズされたコミュニティ検出のためのシンプルなフレームワークを提案する。 我々はGNNの表現力と最近のアモータイズクラスタリングの手法を組み合わせる。 我々は、合成および実データセットに関するフレームワークから、いくつかのモデルを評価する。
  論文  参考訳（メタデータ） (2020-10-29T16:18:48Z)
• On the use of local structural properties for improving the efficiency of hierarchical community detection methods [77.34726150561087]
  本研究では,階層型コミュニティ検出の効率向上のために,局所構造ネットワーク特性をプロキシとして利用する方法について検討する。 また,ネットワークプルーニングの性能への影響を,階層的コミュニティ検出をより効率的にするための補助的手法として検証する。
  論文  参考訳（メタデータ） (2020-09-15T00:16:12Z)
• GRADE: Graph Dynamic Embedding [76.85156209917932]
  GRADEは、軌道に先立ってランダムウォークを課すことで、進化するノードとコミュニティ表現を生成することを学ぶ確率モデルである。 我々のモデルは、遷移行列を介して時間ステップ間で更新されるノードコミュニティメンバシップも学習する。 実験では、GRADEは動的リンク予測においてベースラインを上回る性能を示し、動的コミュニティ検出において好適な性能を示し、一貫性と解釈可能な進化するコミュニティを特定する。
  論文  参考訳（メタデータ） (2020-07-16T01:17:24Z)

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。