論文の概要: Accurately Modeling Biased Random Walks on Weighted Graphs Using
$\textit{Node2vec+}$
- arxiv url: http://arxiv.org/abs/2109.08031v1
- Date: Wed, 15 Sep 2021 17:59:25 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-18 10:28:27.232092
- Title: Accurately Modeling Biased Random Walks on Weighted Graphs Using
$\textit{Node2vec+}$
- Title（参考訳）: $\textit{Node2vec+}$ を用いた重み付きグラフ上のバイアスランダムウォークの正確なモデリング
- Authors: Renming Liu, Matthew Hirn, Arjun Krishnan
- Abstract要約: 私たちは、ウォークバイアスを計算する際のエッジウェイトを考慮に入れながら、$textitnode2vec$から$textitnode2vec+$に拡張します。
重み付きグラフでは、$textitnode2vec+$は、$textitnode2vec$よりも付加的なノイズに対して堅牢であることを示す。
また、通常ベンチマークされたマルチラベルデータセット上で、$textitnode2vec+$が$textitnode2vec$を大幅に上回っていることも示しています。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Node embedding is a powerful approach for representing the structural role of
each node in a graph. $\textit{Node2vec}$ is a widely used method for node
embedding that works by exploring the local neighborhoods via biased random
walks on the graph. However, $\textit{node2vec}$ does not consider edge weights
when computing walk biases. This intrinsic limitation prevents
$\textit{node2vec}$ from leveraging all the information in weighted graphs and,
in turn, limits its application to many real-world networks that are weighted
and dense. Here, we naturally extend $\textit{node2vec}$ to
$\textit{node2vec+}$ in a way that accounts for edge weights when calculating
walk biases, but which reduces to $\textit{node2vec}$ in the cases of
unweighted graphs or unbiased walks. We empirically show that
$\textit{node2vec+}$ is more robust to additive noise than $\textit{node2vec}$
in weighted graphs using two synthetic datasets. We also demonstrate that
$\textit{node2vec+}$ significantly outperforms $\textit{node2vec}$ on a
commonly benchmarked multi-label dataset (Wikipedia). Furthermore, we test
$\textit{node2vec+}$ against GCN and GraphSAGE using various challenging gene
classification tasks on two protein-protein interaction networks. Despite some
clear advantages of GCN and GraphSAGE, they show comparable performance with
$\textit{node2vec+}$. Finally, $\textit{node2vec+}$ can be used as a general
approach for generating biased random walks, benefiting all existing methods
built on top of $\textit{node2vec}$. $\textit{Node2vec+}$ is implemented as
part of $\texttt{PecanPy}$, which is available at
https://github.com/krishnanlab/PecanPy .
- Abstract（参考訳）: ノード埋め込みは、グラフの各ノードの構造的役割を表現するための強力なアプローチである。
$\textit{Node2vec}$は、グラフ上のランダムウォークによって局所的な近傍を探索することによって機能するノード埋め込みの広く使われている方法である。
しかし、$\textit{node2vec}$はウォークバイアスの計算時にエッジウェイトを考慮しない。
この本質的な制限は、$\textit{node2vec}$が重み付きグラフのすべての情報を活用することを防ぎ、その適用を重み付きで密度の高い多くの実世界のネットワークに制限する。
ここでは自然に$\textit{node2vec}$から$\textit{node2vec+}$に拡張します。
2つの合成データセットを用いた重み付きグラフにおいて、$\textit{node2vec+}$は、$\textit{node2vec}$よりも加法雑音に強いことを実証的に示す。
また、一般的にベンチマークされたマルチラベルデータセット(Wikipedia)において、$\textit{node2vec+}$が$\textit{node2vec}$を大きく上回ることを示す。
さらに,2つのタンパク質-タンパク質相互作用ネットワーク上での遺伝子分類タスクを用いて,GCNとGraphSAGEに対して$\textit{node2vec+}$をテストする。
GCNとGraphSAGEの明確な利点にもかかわらず、$\textit{node2vec+}$と同等のパフォーマンスを示している。
最後に、$\textit{node2vec+}$は、バイアス付きランダムウォークを生成する一般的なアプローチとして使用することができ、$\textit{node2vec}$の上に構築された既存のメソッドの恩恵を受けることができる。
$\textit{Node2vec+}$は、$\texttt{PecanPy}$の一部として実装されている。
関連論文リスト
- Graph Unfolding and Sampling for Transitory Video Summarization via Gershgorin Disc Alignment [48.137527345353625]
携帯電話からYouTubeやTikTokなどのソーシャルメディアサイトにアップロードされたユーザー生成ビデオ(UGV)は、短くて繰り返しではない。
我々は、ガーシュゴリンディスクアライメント(GDA)に基づく高速グラフサンプリングにより、遷移UGVを複数のディスクに線形時間で要約する。
提案アルゴリズムは,最先端の手法と比較して,映像の要約性能が向上し,複雑さが大幅に低減されていることを示す。
論文 参考訳（メタデータ） (2024-08-03T20:08:02Z) - Graph Sparsification via Mixture of Graphs [67.40204130771967]
そこで我々はMixture-of-Graphs (MoG)を導入し、各ノードに対して動的に調整されたプルーニングソリューションを選択する。
MoGには複数のスパシファイアの専門家が組み込まれており、それぞれが独自のスパーシリティレベルとプルーニング基準によって特徴付けられ、各ノードに対して適切な専門家を選択する。
5つのGNNを備えた4つの大規模OGBデータセットと2つのスーパーピクセルデータセットの実験により、MoGはより高い空間レベルのサブグラフを識別することを示した。
論文 参考訳（メタデータ） (2024-05-23T07:40:21Z) - Node Embedding for Homophilous Graphs with ARGEW: Augmentation of Random
walks by Graph Edge Weights [2.2935273605606494]
ARGEWはランダムウォークのための新しい拡張手法であり、コーパスをより大きなエッジ重みを持つノードがより近い埋め込みで終わるように拡張する。
いくつかの実世界のネットワークにおいて、ARGEWはそれを使用しないのに対し、より大きなエッジ重みを持つノード対がより密着した埋め込みを持つという望ましいパターンはより明確であることを示す。
論文 参考訳（メタデータ） (2023-08-11T06:19:23Z) - Fast Online Node Labeling for Very Large Graphs [11.700626862639131]
現在のメソッドは、$mathcalO(n3)$または$mathcalO(n2)$スペースの複雑さでグラフカーネルランタイムマトリックスを反転させるか、ランダムなスパンニングツリーを大量にサンプリングする。
本稿では,一連の研究によって導入されたテクスチトリン緩和技術に基づく改善を提案する。
論文 参考訳（メタデータ） (2023-05-25T17:13:08Z) - Detection of Dense Subhypergraphs by Low-Degree Polynomials [72.4451045270967]
ランダムグラフにおける植込み高密度部分グラフの検出は、基本的な統計的および計算上の問題である。
我々は、$Gr(n, n-beta)ハイパーグラフにおいて、植えた$Gr(ngamma, n-alpha)$ subhypergraphの存在を検出することを検討する。
平均値の減少に基づく硬さが不明な微妙な対数密度構造を考えると,この結果はグラフの場合$r=2$で既に新しくなっている。
論文 参考訳（メタデータ） (2023-04-17T10:38:08Z) - Dynamic Ranking and Translation Synchronization [3.946250592943285]
本研究では, エン翻訳同期問題の動的設定への拡張について検討する。
そこで我々は,2つの推定器を提案し,その1つはスムーズネスの最小二乗法に基づくものであり,もう1つは適切な滑らかさ演算子の低周波固有空間への射影に基づくものである。
論文 参考訳（メタデータ） (2022-07-04T14:45:12Z) - Supervised Training of Conditional Monge Maps [107.78770597815242]
最適輸送(OT)理論は、多くの可能な選択の中から確率測度を他のものにマッピングする最も効率的な方法を定義し、選択する一般的な原理を記述している。
本研究では,コンテキスト変数に条件付きOTマップの族を推定するマルチタスク手法であるCondOTを紹介する。
本研究では,CondOTの遺伝的・治療的摂動の任意の組み合わせが単一細胞に与える影響を推測する能力を示す。
論文 参考訳（メタデータ） (2022-06-28T19:34:44Z) - Random Graph Matching in Geometric Models: the Case of Complete Graphs [21.689343447798677]
本稿では, エッジ重み付き2つの完全グラフが潜在測地によって相関する問題について検討する。
近似最大極大推定器を導出し、高い確率で$pi*$の完全回復を確実に達成する。
副次的な発見として、[Ume88] の有望なスペクトルアルゴリズムが幾何モデルにおける最大可能性のさらなる近似として現れることを示す。
論文 参考訳（メタデータ） (2022-02-22T04:14:45Z) - AnchorGAE: General Data Clustering via $O(n)$ Bipartite Graph
Convolution [79.44066256794187]
我々は、グラフ畳み込みネットワーク(GCN)を構築するために使用される生成グラフモデルを導入することにより、グラフに非グラフデータセットを変換する方法を示す。
アンカーによって構築された二部グラフは、データの背後にある高レベル情報を利用するために動的に更新される。
理論的には、単純な更新が退化につながることを証明し、それに従って特定の戦略が設計される。
論文 参考訳（メタデータ） (2021-11-12T07:08:13Z) - Testing network correlation efficiently via counting trees [19.165942326142538]
本稿では,2つのネットワークがエッジ関連であるかどうかを潜時対応によって検証する新しい手法を提案する。
テスト統計は、非同型木族に対する符号付き木の共起を数えることに基づいている。
論文 参考訳（メタデータ） (2021-10-22T14:47:20Z) - Adversarial Linear Contextual Bandits with Graph-Structured Side
Observations [80.95090605985042]
学習エージェントは、$d$-dimensionalコンテキストベクトルで提示された後、一連の$k$アクションから繰り返し選択する。
エージェントは選択されたアクションの損失を誘発し、観察するが、観察構造における隣り合うアクションの損失も観察する。
textttEXP3に基づく2つの効率的なアルゴリズムが開発された。
論文 参考訳（メタデータ） (2020-12-10T15:40:07Z)
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。