Fugu-MT 論文翻訳(概要): QUINT: Node embedding using network hashing

論文の概要: QUINT: Node embedding using network hashing

arxiv url: http://arxiv.org/abs/2109.04206v1
Date: Thu, 9 Sep 2021 12:26:44 GMT
ステータス: 処理完了
システム内更新日: 2021-09-10 13:56:48.618187
Title: QUINT: Node embedding using network hashing
Title（参考訳）: QUINT:ネットワークハッシュを用いたノード埋め込み
Authors: Debajyoti Bera, Rameshwar Pratap, Bhisham Dev Verma, Biswadeep Sen, and Tanmoy Chakraborty
Abstract要約: BinSketchを拡張して、それをネットワークハッシュに使用する方法を示します。 QUINTという提案はBinSketch上に構築されており、低次元空間にスパースネットワークのノードを埋め込む。我々はQUINTの高速化(最大7000倍)と省スペース(最大800倍)の点で、ビットワイドな性質でノード埋め込みを実現するために、QUINTの大幅な性能向上を観測した。
参考スコア（独自算出の注目度）: 13.301044294685287
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: Representation learning using network embedding has received tremendous attention due to its efficacy to solve downstream tasks. Popular embedding methods (such as deepwalk, node2vec, LINE) are based on a neural architecture, thus unable to scale on large networks both in terms of time and space usage. Recently, we proposed BinSketch, a sketching technique for compressing binary vectors to binary vectors. In this paper, we show how to extend BinSketch and use it for network hashing. Our proposal named QUINT is built upon BinSketch, and it embeds nodes of a sparse network onto a low-dimensional space using simple bi-wise operations. QUINT is the first of its kind that provides tremendous gain in terms of speed and space usage without compromising much on the accuracy of the downstream tasks. Extensive experiments are conducted to compare QUINT with seven state-of-the-art network embedding methods for two end tasks - link prediction and node classification. We observe huge performance gain for QUINT in terms of speedup (up to 7000x) and space saving (up to 800x) due to its bit-wise nature to obtain node embedding. Moreover, QUINT is a consistent top-performer for both the tasks among the baselines across all the datasets. Our empirical observations are backed by rigorous theoretical analysis to justify the effectiveness of QUINT. In particular, we prove that QUINT retains enough structural information which can be used further to approximate many topological properties of networks with high confidence.
Abstract（参考訳）: ネットワーク埋め込みを用いた表現学習は,ダウンストリームタスクの解法としての有効性から,大きな注目を集めている。一般的な埋め込みメソッド(deepwalk、node2vec、lineなど)は、ニューラルネットワークに基づいており、時間と空間の両方で大規模ネットワークにスケールできない。近年,バイナリベクトルを2進ベクトルに圧縮するスケッチ技術であるBinSketchを提案する。本稿では,binsketchを拡張し,ネットワークハッシュに利用する方法について述べる。 QUINTという提案はBinSketch上に構築されており、単純な双方向操作を用いてスパースネットワークのノードを低次元空間に埋め込む。 quintは、ダウンストリームタスクの精度を損なうことなく、スピードと空間使用率の面で大きな利益をもたらす、この種の最初の製品である。 2つのエンドタスク - リンク予測とノード分類 - に対して,quintと最先端の7つのネットワーク埋め込み手法を比較するために,広範な実験を行った。我々は、ノード埋め込みを得るためのビット単位の性質から、quintの高速化(最大7000倍)と空間節約(最大800倍)の観点から大きな性能向上を観測する。さらにQUINTは、すべてのデータセットのベースライン間の両方のタスクに対して、一貫したトップパフォーマンスを提供する。我々の経験的観察はQUINTの有効性を正当化する厳密な理論的分析によって裏付けられている。特に、QUINTは、高信頼なネットワークの多くの位相特性を近似するためにさらに使用できる十分な構造情報を保持することを証明している。

関連論文リスト

Community Detection Guarantees Using Embeddings Learned by Node2Vec [5.530212768657544]
node2vec が生成した埋め込みのクラスタリングは,ブロックモデルにおけるノードに対して,弱い一貫したコミュニティリカバリをもたらすことを示す。また、これらの埋め込みをノードおよびリンク予測タスクに利用することについても論じる。
論文参考訳（メタデータ） (2023-10-26T18:16:23Z)
BiFSMNv2: Pushing Binary Neural Networks for Keyword Spotting to Real-Network Performance [54.214426436283134]
Deep-FSMNのようなディープニューラルネットワークはキーワードスポッティング(KWS)アプリケーションのために広く研究されている。我々は、KWS、すなわちBiFSMNv2のための強力で効率的なバイナリニューラルネットワークを提示し、それを実ネットワーク精度のパフォーマンスにプッシュする。小型アーキテクチャと最適化されたハードウェアカーネルの利点により、BiFSMNv2は25.1倍のスピードアップと20.2倍のストレージ節約を実現できる。
論文参考訳（メタデータ） (2022-11-13T18:31:45Z)
Binary Graph Convolutional Network with Capacity Exploration [58.99478502486377]
ネットワークパラメータと入力ノード属性の両方を二項化するバイナリグラフ畳み込みネットワーク(Bi-GCN)を提案する。我々のBi-GCNは、ネットワークパラメータと入力データの両方で平均31倍のメモリ消費を削減でき、推論速度を平均51倍に加速できる。
論文参考訳（メタデータ） (2022-10-24T12:05:17Z)
Higher-order accurate two-sample network inference and network hashing [13.984114642035692]
ネットワーク比較のための2サンプル仮説テストは、多くの重要な課題を示す。我々は,新しいメソッドとその変種を特徴とする包括的ツールボックスを開発した。提案手法は,既存のツールの高速化と精度に優れ,電力効率が最適であることが証明された。
論文参考訳（メタデータ） (2022-08-16T07:31:11Z)
Semi-supervised Network Embedding with Differentiable Deep Quantisation [81.49184987430333]
我々はネットワーク埋め込みのための微分可能な量子化法であるd-SNEQを開発した。 d-SNEQは、学習された量子化符号にリッチな高次情報を与えるためにランク損失を組み込む。トレーニング済みの埋め込みのサイズを大幅に圧縮できるため、ストレージのフットプリントが減少し、検索速度が向上する。
論文参考訳（メタデータ） (2021-08-20T11:53:05Z)
Binary Graph Neural Networks [69.51765073772226]
グラフニューラルネットワーク(gnns)は、不規則データに対する表現学習のための強力で柔軟なフレームワークとして登場した。本稿では,グラフニューラルネットワークのバイナライゼーションのための異なる戦略を提示し,評価する。モデルの慎重な設計とトレーニングプロセスの制御によって、バイナリグラフニューラルネットワークは、挑戦的なベンチマークの精度において、適度なコストでトレーニングできることを示しています。
論文参考訳（メタデータ） (2020-12-31T18:48:58Z)
DINE: A Framework for Deep Incomplete Network Embedding [33.97952453310253]
本稿では,ディープ不完全ネットワーク埋め込み,すなわちDINEを提案する。まず、期待最大化フレームワークを用いて、部分的に観測可能なネットワーク内のノードとエッジの両方を含む欠落部分を完成させる。マルチラベル分類およびリンク予測タスクにおいて,DINEを3つのネットワーク上で評価する。
論文参考訳（メタデータ） (2020-08-09T04:59:35Z)
G-CREWE: Graph CompREssion With Embedding for Network Alignment [18.200401309702173]
本稿では,ネットワークアライメント問題を解決するG-CREWEというフレームワークを提案する。 G-CREWEはノード埋め込みを使用して、ネットワークを2段階の解像度で整列させる。また,MERGEと呼ばれる新しい圧縮機構を提案し,入力ネットワークのサイズを小さくする。
論文参考訳（メタデータ） (2020-07-30T05:30:21Z)
Real-Time High-Performance Semantic Image Segmentation of Urban Street Scenes [98.65457534223539]
都市景観のロバストなセマンティックセマンティックセグメンテーションのためのリアルタイムDCNNに基づく高速DCNN手法を提案する。提案手法は, 51.0 fps と 39.3 fps の推論速度で, 平均 73.6% と平均 68.0% (mIoU) の精度を実現する。
論文参考訳（メタデータ） (2020-03-11T08:45:53Z)
BiDet: An Efficient Binarized Object Detector [96.19708396510894]
本稿では,効率的な物体検出のためのバイナライズニューラルネットワークのBiDetを提案する。我々のBiDetは、冗長除去による物体検出にバイナリニューラルネットワークの表現能力を完全に活用している。我々の手法は、最先端のバイナリニューラルネットワークを大きなマージンで上回る。
論文参考訳（メタデータ） (2020-03-09T08:16:16Z)

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。