論文の概要: Semi-Supervised Deep Learning for Multiplex Networks

• arxiv url: http://arxiv.org/abs/2110.02038v1
• Date: Tue, 5 Oct 2021 13:37:43 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-06 14:06:44.329733
• Title: Semi-Supervised Deep Learning for Multiplex Networks
• Title（参考訳）: マルチプレックスネットワークのための半スーパービジョン深層学習
• Authors: Anasua Mitra, Priyesh Vijayan, Ranbir Sanasam, Diganta Goswami, Srinivasan Parthasarathy, Balaraman Ravindran
• Abstract要約: 多重ネットワークは複雑なグラフ構造であり、エンティティの集合が複数のタイプの関係によって相互に接続される。 マルチプレックスネットワーク上の構造認識表現学習のための,新しい半教師付き手法を提案する。
• 参考スコア（独自算出の注目度）: 20.671777884219555
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multiplex networks are complex graph structures in which a set of entities are connected to each other via multiple types of relations, each relation representing a distinct layer. Such graphs are used to investigate many complex biological, social, and technological systems. In this work, we present a novel semi-supervised approach for structure-aware representation learning on multiplex networks. Our approach relies on maximizing the mutual information between local node-wise patch representations and label correlated structure-aware global graph representations to model the nodes and cluster structures jointly. Specifically, it leverages a novel cluster-aware, node-contextualized global graph summary generation strategy for effective joint-modeling of node and cluster representations across the layers of a multiplex network. Empirically, we demonstrate that the proposed architecture outperforms state-of-the-art methods in a range of tasks: classification, clustering, visualization, and similarity search on seven real-world multiplex networks for various experiment settings.
• Abstract（参考訳）: 多重ネットワークは複雑なグラフ構造であり、エンティティの集合が複数のタイプの関係を通して相互に接続され、それぞれの関係は異なる層を表す。 このようなグラフは、多くの複雑な生物学的、社会的、技術的システムを調べるために使われる。 本研究では,マルチプレックスネットワーク上の構造認識表現学習のための,新しい半教師付きアプローチを提案する。 本手法は,局所ノード毎のパッチ表現とラベル相関構造を考慮したグローバルグラフ表現の相互情報を最大化し,ノードとクラスタ構造を協調的にモデル化する。 具体的には、新しいクラスタ対応のノードコンテキスト化グローバルグラフサマリー生成戦略を利用して、マルチプレックスネットワークのレイヤ間でノードとクラスタの表現を効果的に共同モデリングする。 実験により,提案アーキテクチャは,実世界の7つの多重ネットワーク上での分類,クラスタリング,可視化,類似性探索など,さまざまなタスクにおいて最先端の手法よりも優れていることを示す。

関連論文リスト

• Hierarchical Aggregations for High-Dimensional Multiplex Graph Embedding [7.271256448682229]
  HMGEは高次元多重グラフの階層的アグリゲーションに基づく新しい埋め込み手法である。 我々は、ローカルパッチとグローバルサマリー間の相互情報を活用して、監督なしにモデルを訓練する。 合成および実世界のデータに関する詳細な実験は、下流監視タスクに対する我々のアプローチの適合性を示している。
  論文  参考訳（メタデータ） (2023-12-28T05:39:33Z)
• Community detection in complex networks via node similarity, graph representation learning, and hierarchical clustering [4.264842058017711]
  コミュニティ検出は、実際のグラフを分析する上で重要な課題である。 この記事では,この課題に対処する3つの新しい階層型フレームワークを提案する。 ブロックモデルグラフと実生活データセットにおける100以上のモジュールの組み合わせを比較します。
  論文  参考訳（メタデータ） (2023-03-21T22:12:53Z)
• Deep Image Clustering with Contrastive Learning and Multi-scale Graph Convolutional Networks [58.868899595936476]
  コントラスト学習とマルチスケールグラフ畳み込みネットワーク(IcicleGCN)を用いた画像クラスタリング手法を提案する。 複数の画像データセットの実験は、最先端のIcicleGCNよりも優れたクラスタリング性能を示している。
  論文  参考訳（メタデータ） (2022-07-14T19:16:56Z)
• Multilayer Graph Contrastive Clustering Network [14.864683908759327]
  MGCCN(Multilayer Graph Contrastive Clustering Network)と呼ばれる多層グラフクラスタリングのための汎用的で効果的なオートエンコーダフレームワークを提案する。 MGCCNは3つのモジュールから構成される。(1)ノードと隣接ノードの関連性をよりよく把握するためにアテンション機構が適用され、(2)異なるネットワークにおける一貫性のある情報をよりよく探索するためにコントラスト融合戦略が導入され、(3)MGCCNはノードの埋め込みとクラスタリングを反復的に強化する自己管理コンポーネントを採用している。
  論文  参考訳（メタデータ） (2021-12-28T07:21:13Z)
• SHGNN: Structure-Aware Heterogeneous Graph Neural Network [77.78459918119536]
  本稿では、上記の制約に対処する構造対応不均一グラフニューラルネットワーク(SHGNN)を提案する。 まず,メタパス内の中間ノードの局所構造情報を取得するために,特徴伝搬モジュールを利用する。 次に、ツリーアテンションアグリゲータを使用して、グラフ構造情報をメタパス上のアグリゲーションモジュールに組み込む。 最後に、メタパスアグリゲータを利用して、異なるメタパスから集約された情報を融合する。
  論文  参考訳（メタデータ） (2021-12-12T14:18:18Z)
• Attention-driven Graph Clustering Network [49.040136530379094]
  我々は、注意駆動グラフクラスタリングネットワーク(AGCN)という新しいディープクラスタリング手法を提案する。 AGCNは、ノード属性特徴とトポロジグラフ特徴を動的に融合するために、不均一な融合モジュールを利用する。 AGCNは、教師なしの方法で特徴学習とクラスタ割り当てを共同で行うことができる。
  論文  参考訳（メタデータ） (2021-08-12T02:30:38Z)
• Reinforced Neighborhood Selection Guided Multi-Relational Graph Neural Networks [68.9026534589483]
  RioGNNはReinforceed, recursive, flexible neighborhood selection guided multi-relational Graph Neural Network architectureである。 RioGNNは、各関係の個々の重要性の認識により、説明性を高めた差別的なノード埋め込みを学ぶことができる。
  論文  参考訳（メタデータ） (2021-04-16T04:30:06Z)
• Clustering multilayer graphs with missing nodes [4.007017852999008]
  クラスタリングはネットワーク分析における基本的な問題であり、同じ接続プロファイルを持つノードを再グループ化するのが目標である。 異なるノードセット上でレイヤを定義できる新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-03-04T18:56:59Z)
• Multi-Level Graph Convolutional Network with Automatic Graph Learning for Hyperspectral Image Classification [63.56018768401328]
  HSI分類のための自動グラフ学習法(MGCN-AGL)を用いたマルチレベルグラフ畳み込みネットワーク(GCN)を提案する。 空間的に隣接する領域における重要度を特徴付けるために注意機構を利用することで、最も関連性の高い情報を適応的に組み込んで意思決定を行うことができる。 MGCN-AGLは局所的に生成した表現表現に基づいて画像領域間の長距離依存性を符号化する。
  論文  参考訳（メタデータ） (2020-09-19T09:26:20Z)
• A Multiscale Graph Convolutional Network Using Hierarchical Clustering [0.0]
  マルチスケールの分解によってこの情報を活用する新しいアーキテクチャを探索する。 デンドログラムは、Girvan-Newman階層的クラスタリングアルゴリズムによって生成される。 アーキテクチャはベンチマーク引用ネットワーク上でテストされ、競合性能を実証する。
  論文  参考訳（メタデータ） (2020-06-22T18:13:03Z)
• 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)

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。