論文の概要: Embedding Node Structural Role Identity Using Stress Majorization
- arxiv url: http://arxiv.org/abs/2109.07023v1
- Date: Tue, 14 Sep 2021 23:48:16 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-16 15:11:24.883968
- Title: Embedding Node Structural Role Identity Using Stress Majorization
- Title（参考訳）: 応力汎化を用いたノード構造的役割アイデンティティの埋め込み
- Authors: Lili Wang, Chenghan Huang, Weicheng Ma, Ying Lu, Soroush Vosoughi
- Abstract要約: ネットワークにおける高次元の役割のアイデンティティを直接変換する新しい枠組みを提案する。
我々の手法は、特定の構造的類似性の定義に依存しない、柔軟である。
実験の結果,本フレームワークはノードロール表現の学習において,既存の手法よりも優れた結果が得られることがわかった。
- 参考スコア（独自算出の注目度）: 8.485373271217606
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Nodes in networks may have one or more functions that determine their role in
the system. As opposed to local proximity, which captures the local context of
nodes, the role identity captures the functional "role" that nodes play in a
network, such as being the center of a group, or the bridge between two groups.
This means that nodes far apart in a network can have similar structural role
identities. Several recent works have explored methods for embedding the roles
of nodes in networks. However, these methods all rely on either approximating
or indirect modeling of structural equivalence. In this paper, we present a
novel and flexible framework using stress majorization, to transform the
high-dimensional role identities in networks directly (without approximation or
indirect modeling) to a low-dimensional embedding space. Our method is also
flexible, in that it does not rely on specific structural similarity
definitions. We evaluated our method on the tasks of node classification,
clustering, and visualization, using three real-world and five synthetic
networks. Our experiments show that our framework achieves superior results
than existing methods in learning node role representations.
- Abstract（参考訳）: ネットワーク内のノードは1つ以上の関数を持ち、システム内での役割を決定する。
ノードの局所的コンテキストをキャプチャする局所的近接とは対照的に、ロールアイデンティティは、ノードがグループの中心である、あるいは2つのグループ間のブリッジであるようなネットワークで機能する"ロール"をキャプチャする。
つまり、ネットワーク内のはるかに離れたノードは、同様の構造的役割を持つことができる。
近年,ネットワークにノードの役割を埋め込む手法が研究されている。
しかし、これらの手法はすべて構造同値の近似的あるいは間接的モデリングに依存している。
本稿では,ネットワーク内の高次元の役割のアイデンティティを直接(近似や間接モデリングなしで)低次元埋め込み空間に変換する,ストレスの偏化を用いた新しいフレキシブルなフレームワークを提案する。
また,本手法は構造的類似性の定義に依存しないため,フレキシブルである。
3つの実世界と5つの合成ネットワークを用いて,ノード分類,クラスタリング,可視化のタスクについて評価を行った。
本研究では,従来のノードロール表現学習手法よりも優れた結果が得られることを示す。
関連論文リスト
- Federated Graph Semantic and Structural Learning [54.97668931176513]
本稿では,ノードレベルのセマンティクスとグラフレベルの構造の両方によって局所的なクライアントの歪みがもたらされることを示す。
構造的グラフニューラルネットワークは、固有の隣接関係のため、隣人に類似性を持っていると仮定する。
我々は、隣接関係を類似度分布に変換し、グローバルモデルを利用して関係知識を局所モデルに蒸留する。
論文 参考訳（メタデータ） (2024-06-27T07:08:28Z) - Bayesian Detection of Mesoscale Structures in Pathway Data on Graphs [0.0]
メソスケール構造は 複雑なシステムの抽象化と解析の 不可欠な部分です
それらは、社会的または引用ネットワークにおけるコミュニティ、企業間相互作用における役割、または輸送ネットワークにおける中核周辺構造におけるコミュニティを表現することができる。
我々は,グループ内のノードの最適分割と高次ネットワークの最適ダイナミクスを同時にモデル化するベイズ的アプローチを導出する。
論文 参考訳（メタデータ） (2023-01-16T12:45:33Z) - DeHIN: A Decentralized Framework for Embedding Large-scale Heterogeneous
Information Networks [64.62314068155997]
本稿では,異種情報ネットワーク(DeHIN)のための分散埋め込みフレームワークについて述べる。
DeHINは、大きなHINをハイパーグラフとして革新的に定式化するコンテキスト保存分割機構を提供する。
当社のフレームワークでは,木のようなパイプラインを採用することで,効率よくHINを分割する分散戦略を採用しています。
論文 参考訳（メタデータ） (2022-01-08T04:08:36Z) - A Unified Architecture of Semantic Segmentation and Hierarchical
Generative Adversarial Networks for Expression Manipulation [52.911307452212256]
セマンティックセグメンテーションと階層的GANの統一アーキテクチャを開発する。
我々のフレームワークのユニークな利点は、将来的なセマンティックセグメンテーションネットワーク条件を生成モデルに渡すことである。
我々は,AffectNetとRaFDの2つの難解な表情翻訳ベンチマークとセマンティックセグメンテーションベンチマークであるCelebAMask-HQについて評価を行った。
論文 参考訳（メタデータ） (2021-12-08T22:06:31Z) - Local, global and scale-dependent node roles [3.1473798197405944]
本稿では、構造的同値性や自己同値性といったノード同値性の概念を再検討する。
我々は,すでに深度3,4の役割が,ノード分類タスクを高精度に行うのに十分な情報を持っていることを示す。
論文 参考訳（メタデータ） (2021-05-26T14:54:26Z) - SALA: Soft Assignment Local Aggregation for Parameter Efficient 3D
Semantic Segmentation [65.96170587706148]
3dポイントクラウドセマンティクスセグメンテーションのためのパラメータ効率の良いネットワークを生成するポイントローカルアグリゲーション関数の設計に着目する。
グリッド型アグリゲーション関数における学習可能な隣り合わせソフトアロケーションの利用について検討する。
論文 参考訳（メタデータ） (2020-12-29T20:16:37Z) - Inductive Graph Embeddings through Locality Encodings [0.42970700836450487]
ドメイン依存のノード/エッジ属性を使わずに,大規模ネットワークにインダクティブネットワークを組み込むことの問題点を考察する。
本稿では,学習アルゴリズムの基盤として,基本的定義済みの局所符号化を用いることを提案する。
本手法は,役割検出,リンク予測,ノード分類などのタスクにおける最先端性能を実現する。
論文 参考訳（メタデータ） (2020-09-26T13:09:11Z) - Graph Prototypical Networks for Few-shot Learning on Attributed Networks [72.31180045017835]
グラフメタ学習フレームワーク - Graph Prototypeal Networks (GPN) を提案する。
GPNは、属性付きネットワーク上でテキストミータ学習を行い、ターゲット分類タスクを扱うための高度に一般化可能なモデルを導出する。
論文 参考訳（メタデータ） (2020-06-23T04:13:23Z) - 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) - Adversarial Deep Network Embedding for Cross-network Node Classification [27.777464531860325]
クロスネットワークノード分類は、ソースネットワークからの豊富なラベル付きノードを活用し、ターゲットネットワーク内のラベルなしノードの分類を支援する。
本稿では, 対向ドメイン適応とディープネットワーク埋め込みを統合するための, 対向クロスネットワークディープネットワーク埋め込みモデルを提案する。
提案したACDNEモデルは,ネットワーク間ノード分類における最先端性能を実現する。
論文 参考訳（メタデータ） (2020-02-18T04:30:43Z) - A Block-based Generative Model for Attributed Networks Embedding [42.00826538556588]
本稿では,確率の観点から属性付きネットワーク埋め込みのためのブロックベース生成モデルを提案する。
ニューラルネットワークを用いてノード埋め込みとノード属性間の非線形性を特徴付ける。
その結果,提案手法はクラスタリングと分類タスクの両方において,最先端の埋め込み手法よりも一貫して優れていることがわかった。
論文 参考訳（メタデータ） (2020-01-06T03:44:15Z)
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。