論文の概要: AutoLL: Automatic Linear Layout of Graphs based on Deep Neural Network
- arxiv url: http://arxiv.org/abs/2108.02431v1
- Date: Thu, 5 Aug 2021 08:04:15 GMT
- ステータス: 処理完了
- システム内更新日: 2021-08-06 14:52:16.923776
- Title: AutoLL: Automatic Linear Layout of Graphs based on Deep Neural Network
- Title（参考訳）: AutoLL: ディープニューラルネットワークに基づくグラフの自動線形レイアウト
- Authors: Chihiro Watanabe, Taiji Suzuki
- Abstract要約: 本稿では, AutoLL と呼ばれる新しい一モード線形レイアウト手法を提案する。
我々は、指向性および非指向性ネットワークを並べ替えるための2種類のニューラルネットワークモデルであるAutoLL-DとAutoLL-Uを開発した。
- 参考スコア（独自算出の注目度）: 41.60125423028092
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Linear layouts are a graph visualization method that can be used to capture
an entry pattern in an adjacency matrix of a given graph. By reordering the
node indices of the original adjacency matrix, linear layouts provide knowledge
of latent graph structures. Conventional linear layout methods commonly aim to
find an optimal reordering solution based on predefined features of a given
matrix and loss function. However, prior knowledge of the appropriate features
to use or structural patterns in a given adjacency matrix is not always
available. In such a case, performing the reordering based on data-driven
feature extraction without assuming a specific structure in an adjacency matrix
is preferable. Recently, a neural-network-based matrix reordering method called
DeepTMR has been proposed to perform this function. However, it is limited to a
two-mode reordering (i.e., the rows and columns are reordered separately) and
it cannot be applied in the one-mode setting (i.e., the same node order is used
for reordering both rows and columns), owing to the characteristics of its
model architecture. In this study, we extend DeepTMR and propose a new one-mode
linear layout method referred to as AutoLL. We developed two types of neural
network models, AutoLL-D and AutoLL-U, for reordering directed and undirected
networks, respectively. To perform one-mode reordering, these AutoLL models
have specific encoder architectures, which extract node features from an
observed adjacency matrix. We conducted both qualitative and quantitative
evaluations of the proposed approach, and the experimental results demonstrate
its effectiveness.
- Abstract（参考訳）: リニアレイアウトは、与えられたグラフの隣接行列のエントリパターンをキャプチャするために使用できるグラフ可視化手法である。
元の隣接行列のノードインデックスを並べ替えることで、線形レイアウトは潜在グラフ構造に関する知識を提供する。
従来の線形配置法は、与えられた行列と損失関数の事前定義された特徴に基づいて最適な並べ替え解を求めるのが一般的である。
しかし、特定の隣接行列で使用する適切な機能や構造パターンに関する事前知識は必ずしも得られない。
この場合、隣接行列における特定の構造を仮定することなく、データ駆動特徴抽出に基づく再順序付けが好ましい。
近年,DeepTMRと呼ばれるニューラルネットワークによる行列再構成手法が提案されている。
しかし、二モードリ順序付け(行と列は別々に再順序付けされる)に限定されており、モデルアーキテクチャの特徴から一モード設定(つまり、列と列の両方を再順序付けするために同じノード順序が使用される)では適用できない。
本研究では,DeepTMRを拡張し,AutoLLと呼ばれる新しい1モード線形レイアウト手法を提案する。
指向性ネットワークと非指向性ネットワークを並べ替える2種類のニューラルネットワークモデルであるAutoLL-DとAutoLL-Uを開発した。
1モードのリオーダを実行するために、これらのautollモデルは特定のエンコーダアーキテクチャを持ち、観測された隣接マトリックスからノードの特徴を抽出する。
提案手法の質的および定量的評価を行い,その有効性を実証した。
関連論文リスト
- Discrete Graph Auto-Encoder [52.50288418639075]
離散グラフオートエンコーダ(DGAE)という新しいフレームワークを導入する。
まず、置換同変オートエンコーダを用いてグラフを離散潜在ノード表現の集合に変換する。
2番目のステップでは、離散潜在表現の集合をソートし、特別に設計された自己回帰モデルを用いてそれらの分布を学習する。
論文 参考訳（メタデータ） (2023-06-13T12:40:39Z) - Graph Polynomial Convolution Models for Node Classification of
Non-Homophilous Graphs [52.52570805621925]
本研究では,高階グラフ畳み込みからの効率的な学習と,ノード分類のための隣接行列から直接学習する。
得られたモデルが新しいグラフと残留スケーリングパラメータをもたらすことを示す。
提案手法は,非親和性パラメータのノード分類における精度の向上を実証する。
論文 参考訳（メタデータ） (2022-09-12T04:46:55Z) - Semi-Supervised Subspace Clustering via Tensor Low-Rank Representation [64.49871502193477]
本稿では,初期監視情報を同時に拡張し,識別親和性行列を構築することのできる,新しい半教師付きサブスペースクラスタリング手法を提案する。
6つの一般的なベンチマークデータセットの総合的な実験結果から,本手法が最先端手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2022-05-21T01:47:17Z) - A Deep Generative Model for Matrix Reordering [26.86727566323601]
グラフの様々な行列の並べ替えの潜在空間を学習する生成モデルを開発する。
学習した潜在空間から直感的なユーザインタフェースを構築し、様々な行列の並べ替えのマップを作成する。
本稿では,グラフの行列再順序生成を機械学習モデルで学習する,グラフの行列可視化に対する基本的新しいアプローチを提案する。
論文 参考訳（メタデータ） (2021-10-11T02:55:24Z) - Adaptive Attribute and Structure Subspace Clustering Network [49.040136530379094]
自己表現型サブスペースクラスタリングネットワークを提案する。
まず、入力データサンプルを表現する自動エンコーダについて検討する。
そこで我々は, 局所的な幾何学的構造を捉えるために, 混合符号と対称構造行列を構築した。
構築された属性構造と行列に対して自己表現を行い、親和性グラフを学習する。
論文 参考訳（メタデータ） (2021-09-28T14:00:57Z) - Unfolding Projection-free SDP Relaxation of Binary Graph Classifier via
GDPA Linearization [59.87663954467815]
アルゴリズムの展開は、モデルベースのアルゴリズムの各イテレーションをニューラルネットワーク層として実装することにより、解釈可能で類似のニューラルネットワークアーキテクチャを生成する。
本稿では、Gershgorin disc perfect alignment (GDPA)と呼ばれる最近の線形代数定理を利用して、二進グラフの半定値プログラミング緩和(SDR)のためのプロジェクションフリーアルゴリズムをアンロールする。
実験結果から,我々の未学習ネットワークは純粋モデルベースグラフ分類器よりも優れ,純粋データ駆動ネットワークに匹敵する性能を示したが,パラメータははるかに少なかった。
論文 参考訳（メタデータ） (2021-09-10T07:01:15Z) - Deep Two-way Matrix Reordering for Relational Data Analysis [41.60125423028092]
行列の並べ替えは、与えられた行列の行と列をパーミュレートするタスクである。
本稿ではニューラルネットモデルを用いた新しい行列並べ替え手法Deep Two-way Matrix Reordering (DeepTMR)を提案する。
合成データセットと実用データセットの両方に適用することで,提案されたDeepTMRの有効性を実証する。
論文 参考訳（メタデータ） (2021-03-26T01:31:24Z) - Adaptive Graph-based Generalized Regression Model for Unsupervised
Feature Selection [11.214334712819396]
非相関的かつ識別的特徴の選択は、教師なしの機能選択の重要な問題である。
非相関制約と $ell_2,1$-norm 正規化によって課される新しい一般化回帰モデルを提案する。
それは同時に同じ近所に属するこれらのデータ ポイントの分散を減らすこと無相関および差別的な特徴を選ぶことができます。
論文 参考訳（メタデータ） (2020-12-27T09:07:26Z) - Bipartite Link Prediction based on Topological Features via 2-hop Path [0.8223798883838329]
Linear-Graph Autoencoder(LGAE)は,リンク予測やノードクラスタリングといった課題に対して,有望なパフォーマンスを実現している。
本稿では,ノード属性が利用できない場合の分岐リンク予測について考察する。
このアプローチは、12の2分割データセットのうち10の10でGraph AutoencoderとLinear Graph Autoencoderモデルを一貫して上回り、他の2つの2分割データセットで競合的なパフォーマンスに到達します。
論文 参考訳（メタデータ） (2020-03-19T05:07:54Z)
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。