論文の概要: Learning Sparse Graphs with a Core-periphery Structure

• arxiv url: http://arxiv.org/abs/2110.04022v1
• Date: Fri, 8 Oct 2021 10:41:30 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-11 15:25:06.382924
• Title: Learning Sparse Graphs with a Core-periphery Structure
• Title（参考訳）: core-periphery構造によるスパースグラフの学習
• Authors: Sravanthi Gurugubelli and Sundeep Prabhakar Chepuri
• Abstract要約: 本稿では,コア周辺構造ネットワークに関連するデータ生成モデルを提案する。 ネットワークのコア部分における密接な(疎い)接続を誘導するスパースグラフとニューダルコアスコアを推論する。
• 参考スコア（独自算出の注目度）: 14.112444998191698
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this paper, we focus on learning sparse graphs with a core-periphery structure. We propose a generative model for data associated with core-periphery structured networks to model the dependence of node attributes on core scores of the nodes of a graph through a latent graph structure. Using the proposed model, we jointly infer a sparse graph and nodal core scores that induce dense (sparse) connections in core (respectively, peripheral) parts of the network. Numerical experiments on a variety of real-world data indicate that the proposed method learns a core-periphery structured graph from node attributes alone, while simultaneously learning core score assignments that agree well with existing works that estimate core scores using graph as input and ignoring commonly available node attributes.
• Abstract（参考訳）: 本稿では,コア周辺構造を持つスパースグラフの学習に焦点を当てる。 グラフのノードのコアスコアに対するノード属性の依存性を潜在グラフ構造を通してモデル化するために,コア周辺構造ネットワークに関連するデータ生成モデルを提案する。 提案モデルを用いて,ネットワークのコア部(リフレクション,周辺部)に密接な(疎い)接続を誘導するスパースグラフとニューダルコアスコアを共同で推定する。 実世界の様々なデータに関する数値実験により,提案手法はノード属性のみからコア周辺構造グラフを学習し,同時にコアスコアの割り当てを学習し,グラフを入力としてコアスコアを推定し,一般に利用可能なノード属性を無視する既存の作業とよく一致することを示した。

関連論文リスト

• Contrastive Representation Learning Based on Multiple Node-centered Subgraphs [11.416941835869649]
  1つのノードは直感的にグラフ全体から複数のノード中心のサブグラフを持つ。 本稿では,グラフ上のノード表現を自己教師付きで学習するための,複数のノード中心部分グラフのコントラスト表現学習法を提案する。
  論文  参考訳（メタデータ） (2023-08-31T04:04:09Z)
• GrannGAN: Graph annotation generative adversarial networks [72.66289932625742]
  本稿では,高次元分布をモデル化し,グラフスケルトンと整合した複雑な関係特徴構造を持つデータの新しい例を生成することの問題点を考察する。 提案するモデルは,タスクを2つのフェーズに分割することで,各データポイントのグラフ構造に制約されたデータ特徴を生成する問題に対処する。 第一に、与えられたグラフのノードに関連する機能の分布をモデル化し、第二に、ノードのフィーチャに条件付きでエッジ機能を補完する。
  論文  参考訳（メタデータ） (2022-12-01T11:49:07Z)
• Generative Models and Learning Algorithms for Core-Periphery Structured Graphs [13.90938823562779]
  ノード属性と接続構造からグラフのコアスコアを学習することに注力する。 グラフ構造とノード属性の両方が利用できる場合、グラフのモデルパラメータとコアスコアを推定するアルゴリズムを開発する。
  論文  参考訳（メタデータ） (2022-10-04T09:44:09Z)
• GraphSVX: Shapley Value Explanations for Graph Neural Networks [81.83769974301995]
  グラフニューラルネットワーク(GNN)は、幾何データに基づく様々な学習タスクにおいて大きな性能を発揮する。 本稿では,既存のGNN解説者の多くが満足する統一フレームワークを提案する。 GNN用に特別に設計されたポストホックローカルモデル非依存説明法であるGraphSVXを紹介します。
  論文  参考訳（メタデータ） (2021-04-18T10:40:37Z)
• node2coords: Graph Representation Learning with Wasserstein Barycenters [59.07120857271367]
  グラフの表現学習アルゴリズムである node2coords を導入する。 低次元空間を同時に学習し、その空間内のノードを座標する。 実験の結果,node2coordで学習した表現は解釈可能であることがわかった。
  論文  参考訳（メタデータ） (2020-07-31T13:14:25Z)
• Representation Learning of Graphs Using Graph Convolutional Multilayer Networks Based on Motifs [17.823543937167848]
  mGCMNはノードの特徴情報とグラフの高階局所構造を利用する新しいフレームワークである。 グラフニューラルネットワークの学習効率を大幅に改善し、新たな学習モードの確立を促進する。
  論文  参考訳（メタデータ） (2020-07-31T04:18:20Z)
• Graph Pooling with Node Proximity for Hierarchical Representation Learning [80.62181998314547]
  本稿では,ノード近接を利用したグラフプーリング手法を提案し,そのマルチホップトポロジを用いたグラフデータの階層的表現学習を改善する。 その結果,提案したグラフプーリング戦略は,公開グラフ分類ベンチマークデータセットの集合において,最先端のパフォーマンスを達成できることが示唆された。
  論文  参考訳（メタデータ） (2020-06-19T13:09:44Z)
• Graph Neural Networks with Composite Kernels [60.81504431653264]
  カーネル重み付けの観点からノード集約を再解釈する。 本稿では,アグリゲーション方式における特徴類似性を考慮したフレームワークを提案する。 特徴空間における特徴類似性をエンコードするために,元の隣り合うカーネルと学習可能なカーネルの合成として特徴集約を提案する。
  論文  参考訳（メタデータ） (2020-05-16T04:44:29Z)
• Convolutional Kernel Networks for Graph-Structured Data [37.13712126432493]
  我々は,多層グラフカーネルのファミリーを導入し,グラフ畳み込みニューラルネットワークとカーネルメソッドの新たなリンクを確立する。 提案手法は,グラフをカーネル特徴写像の列として表現することにより,畳み込みカーネルネットワークをグラフ構造データに一般化する。 我々のモデルは、大規模データに対してエンドツーエンドでトレーニングすることもでき、新しいタイプのグラフ畳み込みニューラルネットワークをもたらす。
  論文  参考訳（メタデータ） (2020-03-11T09:44:03Z)
• Graph Inference Learning for Semi-supervised Classification [50.55765399527556]
  半教師付きノード分類の性能を高めるためのグラフ推論学習フレームワークを提案する。 推論過程の学習には,トレーニングノードから検証ノードへの構造関係のメタ最適化を導入する。 4つのベンチマークデータセットの総合的な評価は、最先端の手法と比較して提案したGILの優位性を示している。
  論文  参考訳（メタデータ） (2020-01-17T02:52:30Z)

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。