論文の概要: Graph Encoder Embedding

• arxiv url: http://arxiv.org/abs/2109.13098v1
• Date: Mon, 27 Sep 2021 14:49:44 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-28 15:50:59.710356
• Title: Graph Encoder Embedding
• Title（参考訳）: グラフエンコーダの埋め込み
• Authors: Cencheng Shen, Qizhe Wang, Carey E. Priebe
• Abstract要約: 本稿では,高速なグラフエンコーダ埋め込み方式を提案する。 提案手法は、線形計算複雑性と、標準PC上で数分で数十億のエッジを処理する能力を有する。 スピードアップは埋め込み性能を犠牲にすることなく達成される。
• 参考スコア（独自算出の注目度）: 11.980640637972266
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this paper we propose a lightning fast graph embedding method called graph encoder embedding. The proposed method has a linear computational complexity and the capacity to process billions of edges within minutes on standard PC -- an unattainable feat for any existing graph embedding method. The speedup is achieved without sacrificing embedding performance: the encoder embedding performs as good as, and can be viewed as a transformation of the more costly spectral embedding. The encoder embedding is applicable to either adjacency matrix or graph Laplacian, and is theoretically sound, i.e., under stochastic block model or random dot product graph, the graph encoder embedding asymptotically converges to the block probability or latent positions, and is approximately normally distributed. We showcase three important applications: vertex classification, vertex clustering, and graph bootstrap; and the embedding performance is evaluated via a comprehensive set of synthetic and real data. In every case, the graph encoder embedding exhibits unrivalled computational advantages while delivering excellent numerical performance.
• Abstract（参考訳）: 本稿では,グラフエンコーダ埋め込みと呼ばれるライトニング高速グラフ埋め込み手法を提案する。 提案手法は線形計算の複雑さと、標準pc上で数分で数十億のエッジを処理できる能力を有しており、既存のグラフ埋め込み手法では実現不可能である。 エンコーダの埋め込みは性能が良く、よりコストのかかるスペクトル埋め込みの変換と見なすことができる。 エンコーダ埋め込みは隣接行列またはグラフラプラシアンのいずれかに適用でき、理論的には、確率的ブロックモデルまたはランダムドット積グラフの下では、漸近的にブロック確率または潜在位置へ収束するグラフエンコーダは、概ね正規分布する。 本稿では,頂点分類,頂点クラスタリング,グラフブートストラップの3つの重要な応用例を紹介する。 いずれの場合も、グラフエンコーダの埋め込みは、優れた数値性能を提供しながら、計算上の優位性に欠ける。

関連論文リスト

• Differentiable Proximal Graph Matching [40.41380102260085]
  微分可能近位グラフマッチング(DPGM)と呼ばれる近位演算子に基づくグラフマッチングアルゴリズムを提案する。 アルゴリズム全体をグラフ親和性行列からノード対応の予測への微分可能な写像とみなすことができる。 数値実験により、PGMは様々なデータセット上で既存のグラフマッチングアルゴリズムより優れていることが示された。
  論文  参考訳（メタデータ） (2024-05-26T08:17:13Z)
• Encoder Embedding for General Graph and Node Classification [4.178980693837599]
  エンコーダの埋め込み行列が大数の法則と中心極限定理を満たすことを証明している。 ある条件下では、クラスごとの正規性を達成し、識別分析による最適な分類を可能にする。
  論文  参考訳（メタデータ） (2024-05-24T11:51:08Z)
• Deep Manifold Graph Auto-Encoder for Attributed Graph Embedding [51.75091298017941]
  本稿では,属性付きグラフデータに対する新しいDeep Manifold (Variational) Graph Auto-Encoder (DMVGAE/DMGAE)を提案する。 提案手法は,最先端のベースラインアルゴリズムを,一般的なデータセット間でのダウンストリームタスクの差を大きく越える。
  論文  参考訳（メタデータ） (2024-01-12T17:57:07Z)
• Optimal Propagation for Graph Neural Networks [51.08426265813481]
  最適グラフ構造を学習するための二段階最適化手法を提案する。 また、時間的複雑さをさらに軽減するために、低ランク近似モデルについても検討する。
  論文  参考訳（メタデータ） (2022-05-06T03:37:00Z)
• Graph Kernel Neural Networks [53.91024360329517]
  本稿では、グラフ上の内部積を計算するカーネル関数であるグラフカーネルを用いて、標準畳み込み演算子をグラフ領域に拡張することを提案する。 これにより、入力グラフの埋め込みを計算する必要のない完全に構造的なモデルを定義することができる。 私たちのアーキテクチャでは,任意の種類のグラフカーネルをプラグインすることが可能です。
  論文  参考訳（メタデータ） (2021-12-14T14:48:08Z)
• Learning Graphon Autoencoders for Generative Graph Modeling [91.32624399902755]
  Graphonは任意のサイズでグラフを生成する非パラメトリックモデルであり、グラフから簡単に誘導できる。 解析可能でスケーラブルなグラフ生成モデルを構築するために,textitgraphon autoencoder という新しいフレームワークを提案する。 線形グルーポン分解モデルはデコーダとして機能し、潜在表現を活用して誘導されたグルーポンを再構成する。
  論文  参考訳（メタデータ） (2021-05-29T08:11:40Z)
• Understanding Coarsening for Embedding Large-Scale Graphs [3.6739949215165164]
  機械学習(ML)アルゴリズムによるグラフの適切な解析は、研究や産業の多くの分野において、より深い洞察をもたらす可能性がある。 グラフデータの不規則構造は、グラフ上でMLタスクを実行するための障害を構成する。 本研究では, 粗大化品質が埋込み性能に及ぼす影響を, 速度と精度の両方で解析する。
  論文  参考訳（メタデータ） (2020-09-10T15:06:33Z)
• Faster Graph Embeddings via Coarsening [25.37181684580123]
  グラフ埋め込みは、グラフ構造化データ上のノード分類やリンク予測といった機械学習タスクのためのユビキタスツールである。 大規模グラフに対する埋め込みの計算は、関連する頂点の小さな部分集合のみに関心がある場合でも、非効率的である。 我々は、関連する頂点の埋め込みを計算するために、Schur補数に基づく効率的なグラフ粗大化手法を提案する。
  論文  参考訳（メタデータ） (2020-07-06T15:22:25Z)
• Auto-decoding Graphs [91.3755431537592]
  生成モデルは、潜在コードからグラフを合成することを学ぶ自動デコーダである。 グラフは、おそらく接続パターンを特定するためにトレーニングされた自己アテンションモジュールを使用して合成される。
  論文  参考訳（メタデータ） (2020-06-04T14:23:01Z)
• Block-Approximated Exponential Random Graphs [77.4792558024487]
  指数乱グラフ(ERG)の分野における重要な課題は、大きなグラフ上の非自明なERGの適合である。 本稿では,非自明なERGに対する近似フレームワークを提案する。 我々の手法は、数百万のノードからなるスパースグラフにスケーラブルである。
  論文  参考訳（メタデータ） (2020-02-14T11:42:16Z)

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。