論文の概要: Network representation learning systematic review: ancestors and current development state

• arxiv url: http://arxiv.org/abs/2109.07583v1
• Date: Tue, 14 Sep 2021 14:44:44 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-18 11:39:13.421100
• Title: Network representation learning systematic review: ancestors and current development state
• Title（参考訳）: ネットワーク表現学習体系レビュー : 祖先と現況
• Authors: Amina Amara, Mohamed Ali Hadj Taieb, Mohamed Ben Aouicha
• Abstract要約: 本稿では,ネットワーク埋め込みとして知られるネットワーク表現学習を誕生から現在までの体系的に調査する。 また,ネットワーク表現学習の理解に必要な基本概念の形式的定義も提供する。 最も一般的に使用される下流タスクは、埋め込みの評価、評価メトリクス、一般的なデータセットである。
• 参考スコア（独自算出の注目度）: 1.0312968200748116
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Real-world information networks are increasingly occurring across various disciplines including online social networks and citation networks. These network data are generally characterized by sparseness, nonlinearity and heterogeneity bringing different challenges to the network analytics task to capture inherent properties from network data. Artificial intelligence and machine learning have been recently leveraged as powerful systems to learn insights from network data and deal with presented challenges. As part of machine learning techniques, graph embedding approaches are originally conceived for graphs constructed from feature represented datasets, like image dataset, in which links between nodes are explicitly defined. These traditional approaches cannot cope with network data challenges. As a new learning paradigm, network representation learning has been proposed to map a real-world information network into a low-dimensional space while preserving inherent properties of the network. In this paper, we present a systematic comprehensive survey of network representation learning, known also as network embedding, from birth to the current development state. Through the undertaken survey, we provide a comprehensive view of reasons behind the emergence of network embedding and, types of settings and models used in the network embedding pipeline. Thus, we introduce a brief history of representation learning and word representation learning ancestor of network embedding. We provide also formal definitions of basic concepts required to understand network representation learning followed by a description of network embedding pipeline. Most commonly used downstream tasks to evaluate embeddings, their evaluation metrics and popular datasets are highlighted. Finally, we present the open-source libraries for network embedding.
• Abstract（参考訳）: 実世界の情報ネットワークは、オンラインソーシャルネットワークや引用ネットワークなど様々な分野にまたがっている。 これらのネットワークデータは、ネットワークデータから固有の特性を取得するために、ネットワーク分析タスクに異なる課題をもたらす疎性、非線形性、不均一性によって特徴づけられる。 人工知能と機械学習は最近、ネットワークデータから洞察を学び、提示された課題に対処するために強力なシステムとして活用されている。 機械学習の手法の一部として、グラフ埋め込みアプローチはもともと、ノード間のリンクを明示的に定義するイメージデータセットのような、特徴を表すデータセットから構築されたグラフに対して考案されたものだ。 従来のアプローチでは、ネットワークデータの問題に対処できない。 新しい学習パラダイムとして,ネットワーク固有の特性を保ちながら,実世界の情報ネットワークを低次元空間にマッピングするネットワーク表現学習が提案されている。 本稿では,ネットワーク埋め込みとしても知られるネットワーク表現学習を,誕生から現況まで包括的に網羅的に調査する。 本調査により,ネットワーク組込みの出現の背景にある理由,ネットワーク組込みパイプラインで使用される設定の種類,モデルについて総合的に考察する。 そこで本研究では,ネットワーク埋め込みの表現学習と単語表現学習の祖先に関する簡単な歴史を紹介する。 また,ネットワーク表現学習の理解に必要な基本的な概念の形式的定義と,ネットワーク埋め込みパイプラインの説明を提供する。 最も一般的に使用される下流タスクは、埋め込みの評価、評価メトリクス、一般的なデータセットである。 最後に,ネットワーク組込みのためのオープンソースライブラリを紹介する。

関連論文リスト

• Coding schemes in neural networks learning classification tasks [52.22978725954347]
  完全接続型広義ニューラルネットワーク学習タスクについて検討する。 ネットワークが強力なデータ依存機能を取得することを示す。 驚くべきことに、内部表現の性質は神経の非線形性に大きく依存する。
  論文  参考訳（メタデータ） (2024-06-24T14:50:05Z)
• Leveraging advances in machine learning for the robust classification and interpretation of networks [0.0]
  シミュレーションアプローチでは、Erd"os-R'enyiやSmall-worldのような適切なネットワーク生成モデルを選択する。 我々は、解釈可能な機械学習の進歩を利用して、様々なネットワーク属性に基づいて、生成モデルによってシミュレーションされたネットワークを分類する。
  論文  参考訳（メタデータ） (2024-03-20T00:24:23Z)
• Network representation learning: A macro and micro view [9.221196170951702]
  本稿では,ネットワーク表現学習に関する最近の文献を包括的にレビューする。 既存のアルゴリズムは、浅い埋め込みモデル、異種ネットワーク埋め込みモデル、グラフニューラルネットワークベースモデルという3つのグループに分類される。 この調査の利点の1つは、アルゴリズムの異なるカテゴリの基礎となる理論的基礎を体系的に研究することである。
  論文  参考訳（メタデータ） (2021-11-21T08:58:51Z)
• 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)
• Anomaly Detection on Attributed Networks via Contrastive Self-Supervised Learning [50.24174211654775]
  本論文では,アトリビュートネットワーク上の異常検出のためのコントラスト型自己監視学習フレームワークを提案する。 このフレームワークは、新しいタイプのコントラストインスタンスペアをサンプリングすることで、ネットワークデータからのローカル情報を完全に活用します。 高次元特性と局所構造から情報埋め込みを学習するグラフニューラルネットワークに基づくコントラスト学習モデルを提案する。
  論文  参考訳（メタデータ） (2021-02-27T03:17:20Z)
• NetReAct: Interactive Learning for Network Summarization [60.18513812680714]
  本論文では,テキストコーポラによる感覚生成のネットワーク可視化を支援する,新しいインタラクティブネットワーク要約アルゴリズムであるNetReActを提案する。 netreactが、他の非自明なベースラインよりも、隠れたパターンを明らかにする高品質な要約や視覚化の生成に成功していることを示す。
  論文  参考訳（メタデータ） (2020-12-22T03:56:26Z)
• How Researchers Use Diagrams in Communicating Neural Network Systems [5.064404027153093]
  本稿では,ニューラルネットワークシステム図の利用について述べる。 ダイアグラムの作成と解釈の両方において、使用法、知覚、嗜好の多様性が高いことが分かりました。 既存のガイダンスとともにインタビューデータを考慮し、ニューラルネットワークシステム図の作り方を改善するためのガイドラインを提案する。
  論文  参考訳（メタデータ） (2020-08-28T10:21:03Z)
• Learning Connectivity of Neural Networks from a Topological Perspective [80.35103711638548]
  本稿では,ネットワークを解析のための完全なグラフに表現するためのトポロジ的視点を提案する。 接続の規模を反映したエッジに学習可能なパラメータを割り当てることにより、学習プロセスを異なる方法で行うことができる。 この学習プロセスは既存のネットワークと互換性があり、より大きな検索空間と異なるタスクへの適応性を持っている。
  論文  参考訳（メタデータ） (2020-08-19T04:53:31Z)
• Neural networks adapting to datasets: learning network size and topology [77.34726150561087]
  ニューラルネットワークは、勾配に基づくトレーニングの過程で、そのサイズとトポロジの両方を学習できるフレキシブルなセットアップを導入します。 結果として得られるネットワークは、特定の学習タスクとデータセットに合わせたグラフの構造を持つ。
  論文  参考訳（メタデータ） (2020-06-22T12:46:44Z)
• Modeling Dynamic Heterogeneous Network for Link Prediction using Hierarchical Attention with Temporal RNN [16.362525151483084]
  我々はDyHATRと呼ばれる新しい動的ヘテロジニアスネットワーク埋め込み法を提案する。 階層的な注意を使って異質な情報を学習し、進化パターンを捉えるために時間的注意を伴う繰り返しニューラルネットワークを組み込む。 リンク予測のための4つの実世界のデータセットに対して,本手法をベンチマークした。
  論文  参考訳（メタデータ） (2020-04-01T17:16:47Z)
• Temporal Network Representation Learning via Historical Neighborhoods Aggregation [28.397309507168128]
  本稿では,EHNAアルゴリズムによる埋め込みを提案する。 まず,歴史地区のノードを特定できる時間的ランダムウォークを提案する。 次に,ノード埋め込みを誘導するカスタムアテンション機構を用いたディープラーニングモデルを適用する。
  論文  参考訳（メタデータ） (2020-03-30T04:18:48Z)

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。