論文の概要: SSSNET: Semi-Supervised Signed Network Clustering
- arxiv url: http://arxiv.org/abs/2110.06623v1
- Date: Wed, 13 Oct 2021 10:36:37 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-14 22:18:15.390152
- Title: SSSNET: Semi-Supervised Signed Network Clustering
- Title（参考訳）: SSSNET: 半スーパービジョンのネットワーククラスタリング
- Authors: Yixuan He, Gesine Reinert, Songchao Wang, Mihai Cucuringu
- Abstract要約: SSSNETと呼ばれる半教師付きネットワーククラスタリングのためのGNNフレームワークにおいて、トレーニングノードに対する確率的バランスの取れた正規化カット損失を新たに導入する。
主な斬新なアプローチは、署名されたネットワーク埋め込みにおける社会的バランス理論の役割に関する新しい見解である。
- 参考スコア（独自算出の注目度）: 4.895808607591299
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Node embeddings are a powerful tool in the analysis of networks; yet, their
full potential for the important task of node clustering has not been fully
exploited. In particular, most state-of-the-art methods generating node
embeddings of signed networks focus on link sign prediction, and those that
pertain to node clustering are usually not graph neural network (GNN) methods.
Here, we introduce a novel probabilistic balanced normalized cut loss for
training nodes in a GNN framework for semi-supervised signed network
clustering, called SSSNET. The method is end-to-end in combining embedding
generation and clustering without an intermediate step; it has node clustering
as main focus, with an emphasis on polarization effects arising in networks.
The main novelty of our approach is a new take on the role of social balance
theory for signed network embeddings. The standard heuristic for justifying the
criteria for the embeddings hinges on the assumption that "an enemy's enemy is
a friend". Here, instead, a neutral stance is assumed on whether or not the
enemy of an enemy is a friend. Experimental results on various data sets,
including a synthetic signed stochastic block model, a polarized version of it,
and real-world data at different scales, demonstrate that SSSNET can achieve
comparable or better results than state-of-the-art spectral clustering methods,
for a wide range of noise and sparsity levels. SSSNET complements existing
methods through the possibility of including exogenous information, in the form
of node-level features or labels.
- Abstract（参考訳）: ノードの埋め込みはネットワーク分析において強力なツールであるが、ノードクラスタリングの重要なタスクに対するその潜在能力は、十分に活用されていない。
特に、署名されたネットワークのノード埋め込みを生成する最先端のほとんどのメソッドはリンクサイン予測に焦点を当てており、ノードクラスタリングに関連するものはグラフニューラルネットワーク(GNN)の手法ではない。
本稿では、SSSNETと呼ばれる半教師付きネットワーククラスタリングのためのGNNフレームワークにおいて、トレーニングノードに対する確率的バランスの取れた正規化カット損失を提案する。
この方法は、中間ステップなしで生成とクラスタリングを結合するエンドツーエンドであり、ネットワークで発生する分極効果に重点を置いたノードクラスタリングが中心である。
提案手法の主な新規性は,署名されたネットワーク埋め込みにおけるソーシャルバランス理論の新たな役割である。
埋め込みの基準を正当化する標準的なヒューリスティックは、「敵の敵は友人である」という仮定にかかっている。
ここでは、敵の敵が友人であるか否かについて中立的な姿勢をとる。
合成確率ブロックモデル, 偏極バージョン, 実世界の様々なスケールのデータなど, 様々なデータ集合に対する実験結果から, SSSNETは, スペクトルクラスタリング法と同等あるいは優れた結果が得られることを示した。
SSSNETは、ノードレベルの機能やラベルの形で、異種情報を含む可能性を通じて、既存のメソッドを補完する。
関連論文リスト
- Rethinking Independent Cross-Entropy Loss For Graph-Structured Data [41.92169850308025]
グラフニューラルネットワーク(GNN)は、グラフ構造化データの学習において顕著なパフォーマンスを示した。
本研究では,各ノードと対応するクラスタの結合分布をモデル化する,共同クラスタ型学習という新しいフレームワークを提案する。
このようにして、ローカルクラスタから抽出されたデータラベル参照信号は、ターゲットノード上の識別能力を明示的に強化する。
論文 参考訳（メタデータ） (2024-05-24T13:52:41Z) - Applying Self-supervised Learning to Network Intrusion Detection for
Network Flows with Graph Neural Network [8.318363497010969]
本稿では,教師なし型ネットワークフローの特定のためのGNNの適用について検討する。
我々の知る限り、NIDSにおけるネットワークフローのマルチクラス分類のための最初のGNNベースの自己教師方式である。
論文 参考訳（メタデータ） (2024-03-03T12:34:13Z) - GNN-LoFI: a Novel Graph Neural Network through Localized Feature-based
Histogram Intersection [51.608147732998994]
グラフニューラルネットワークは、グラフベースの機械学習の選択フレームワークになりつつある。
本稿では,古典的メッセージパッシングに代えて,ノード特徴の局所分布を解析するグラフニューラルネットワークアーキテクチャを提案する。
論文 参考訳（メタデータ） (2024-01-17T13:04:23Z) - Exact Recovery and Bregman Hard Clustering of Node-Attributed Stochastic
Block Model [0.16385815610837165]
本稿では,コミュニティラベルの正確な回復のための情報理論的基準を提案する。
ネットワークと属性情報をどのように交換して正確なリカバリを行うかを示す。
また、共同確率を最大化する反復的クラスタリングアルゴリズムも提示する。
論文 参考訳（メタデータ） (2023-10-30T16:46:05Z) - Domain-adaptive Message Passing Graph Neural Network [67.35534058138387]
クロスネットワークノード分類(CNNC)は、豊富なラベルを持つソースネットワークから知識を転送することで、ラベル不足のターゲットネットワーク内のノードを分類することを目的としている。
本稿では,グラフニューラルネットワーク(GNN)と条件付き対向ドメイン適応を統合したドメイン適応型メッセージパッシンググラフニューラルネットワーク(DM-GNN)を提案する。
論文 参考訳（メタデータ） (2023-08-31T05:26:08Z) - Collaborative Graph Neural Networks for Attributed Network Embedding [63.39495932900291]
グラフニューラルネットワーク(GNN)は、属性付きネットワーク埋め込みにおいて顕著な性能を示している。
本稿では,ネットワーク埋め込みに適したGNNアーキテクチャであるCulaborative graph Neural Networks-CONNを提案する。
論文 参考訳（メタデータ） (2023-07-22T04:52:27Z) - Dink-Net: Neural Clustering on Large Graphs [59.10189693120368]
ディープグラフクラスタリング法 (Dink-Net) は, 拡張と縮小という概念を用いて提案される。
ノードを識別することにより、拡張によって劣化しても、表現は自己教師された方法で学習される。
クラスタリング分布は、提案したクラスタ拡張損失とクラスタ縮小損失を最小化することにより最適化される。
ランナアップと比較して、Dink-Net 9.62%は1100万ノードと16億エッジを持つogbn-papers100MデータセットでNMIの改善を実現している。
論文 参考訳（メタデータ） (2023-05-28T15:33:24Z) - Learning Hierarchical Graph Neural Networks for Image Clustering [81.5841862489509]
本稿では,画像の集合を未知の個数にクラスタリングする方法を学ぶ階層型グラフニューラルネットワーク(GNN)モデルを提案する。
我々の階層的なGNNは、階層の各レベルで予測される連結コンポーネントをマージして、次のレベルで新しいグラフを形成するために、新しいアプローチを用いています。
論文 参考訳（メタデータ） (2021-07-03T01:28:42Z) - DIGRAC: Digraph Clustering with Flow Imbalance [5.5023982421074855]
有向ネットワークに対するノード埋め込みを実現するために,新しい混合経路アグリゲーション方式を用いたグラフニューラルネットワークフレームワークを提案する。
提案手法は, 有向クラスタリングにおいて, 広範囲のノイズ, 疎度レベル, およびグラフ構造に対して, 最先端の結果が得られることを示す。
論文 参考訳（メタデータ） (2021-06-09T16:33:13Z) - ImGAGN:Imbalanced Network Embedding via Generative Adversarial Graph
Networks [19.45752945234785]
グラフ上の不均衡な分類は、不正なノード検出など、多くの現実世界のアプリケーションでは至るところで困難である。
グラフ上の不均衡な分類問題に対処するため,ImGAGNと呼ばれる生成逆グラフネットワークモデルを提案する。
提案手法は, 半教師付き不均衡ノード分類タスクに対して, 最先端のアルゴリズムより優れていることを示す。
論文 参考訳（メタデータ） (2021-06-05T06:56:37Z) - Graph Prototypical Networks for Few-shot Learning on Attributed Networks [72.31180045017835]
グラフメタ学習フレームワーク - Graph Prototypeal Networks (GPN) を提案する。
GPNは、属性付きネットワーク上でテキストミータ学習を行い、ターゲット分類タスクを扱うための高度に一般化可能なモデルを導出する。
論文 参考訳（メタデータ） (2020-06-23T04:13:23Z)
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。