論文の概要: Barlow Graph Auto-Encoder for Unsupervised Network Embedding

• arxiv url: http://arxiv.org/abs/2110.15742v1
• Date: Fri, 29 Oct 2021 12:30:43 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-01 14:42:50.491915
• Title: Barlow Graph Auto-Encoder for Unsupervised Network Embedding
• Title（参考訳）: 教師なしネットワーク埋め込みのためのバーローグラフオートエンコーダ
• Authors: Rayyan Ahmad Khan, Martin Kleinsteuber
• Abstract要約: 本稿では,ネットワーク埋め込みを学習するシンプルなアーキテクチャであるBarlow Graph Auto-Encoderを提案する。 これは、これらの射影の成分間の冗長性を最小化しながら、ノードの即時および大近傍の埋め込みベクトル間の類似性を最大化することを目的としている。 提案手法は,帰納的リンク予測の有望な結果をもたらすとともに,クラスタリングや下流ノード分類の最先端技術と同等である。
• 参考スコア（独自算出の注目度）: 6.900303913555705
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Network embedding has emerged as a promising research field for network analysis. Recently, an approach, named Barlow Twins, has been proposed for self-supervised learning in computer vision by applying the redundancy-reduction principle to the embedding vectors corresponding to two distorted versions of the image samples. Motivated by this, we propose Barlow Graph Auto-Encoder, a simple yet effective architecture for learning network embedding. It aims to maximize the similarity between the embedding vectors of immediate and larger neighborhoods of a node, while minimizing the redundancy between the components of these projections. In addition, we also present the variation counterpart named as Barlow Variational Graph Auto-Encoder. Our approach yields promising results for inductive link prediction and is also on par with state of the art for clustering and downstream node classification, as demonstrated by extensive comparisons with several well-known techniques on three benchmark citation datasets.
• Abstract（参考訳）: ネットワーク組み込みは、ネットワーク分析の有望な研究分野として浮上している。 近年、画像サンプルの歪んだ2つのバージョンに対応する埋め込みベクトルに冗長還元原理を適用することで、コンピュータビジョンにおける自己教師付き学習のためのアプローチとしてバーロウ・ツインズ(barlow twins)が提案されている。 そこで我々は,ネットワーク埋め込みを学習するシンプルなアーキテクチャであるBarlow Graph Auto-Encoderを提案する。 これは、これらの射影の成分間の冗長性を最小化しながら、ノードの即時および大近傍の埋め込みベクトル間の類似性を最大化することを目的としている。 さらに,barlow variational graph auto-encoder という変分法についても述べる。 このアプローチは帰納的リンク予測に有望な結果をもたらし、また3つのベンチマーク引用データセットでよく知られた技術と広範囲に比較して示されるように、クラスタリングとダウンストリームノード分類の最先端技術と同等である。

関連論文リスト

• 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)
• Graph Transformer GANs with Graph Masked Modeling for Architectural Layout Generation [153.92387500677023]
  本稿では,グラフノード関係を効果的に学習するために,GTGAN(Graph Transformer Generative Adversarial Network)を提案する。 提案したグラフ変換器エンコーダは、局所的およびグローバルな相互作用をモデル化するために、Transformer内のグラフ畳み込みと自己アテンションを組み合わせる。 また,グラフ表現学習のための自己指導型事前学習手法を提案する。
  論文  参考訳（メタデータ） (2024-01-15T14:36:38Z)
• EGRC-Net: Embedding-induced Graph Refinement Clustering Network [66.44293190793294]
  埋め込みによるグラフリファインメントクラスタリングネットワーク (EGRC-Net) という新しいグラフクラスタリングネットワークを提案する。 EGRC-Netは学習した埋め込みを利用して初期グラフを適応的に洗練し、クラスタリング性能を向上させる。 提案手法はいくつかの最先端手法より一貫して優れている。
  論文  参考訳（メタデータ） (2022-11-19T09:08:43Z)
• Interpolation-based Correlation Reduction Network for Semi-Supervised Graph Learning [49.94816548023729]
  補間型相関低減ネットワーク(ICRN)と呼ばれる新しいグラフコントラスト学習手法を提案する。 提案手法では,決定境界のマージンを大きくすることで,潜在特徴の識別能力を向上させる。 この2つの設定を組み合わせることで、豊富なラベル付きノードと稀に価値あるラベル付きノードから豊富な監視情報を抽出し、離散表現学習を行う。
  論文  参考訳（メタデータ） (2022-06-06T14:26:34Z)
• Directed Graph Auto-Encoders [3.2873782624127843]
  Wesfeiler-Lemanアルゴリズムのノードラベルへの直接拡張によって動機付けられた有向グラフのための新しい自動エンコーダのクラスを導入する。 本稿では,提案モデルが有意な潜伏埋め込みを学習し,有向リンク予測タスクにおいて優れた性能を実現する能力を示す。
  論文  参考訳（メタデータ） (2022-02-25T01:19:47Z)
• Self-Supervised Graph Learning with Proximity-based Views and Channel Contrast [4.761137180081091]
  グラフニューラルネットワーク(GNN)は、近傍の集約をコアコンポーネントとして使用し、近接ノード間の機能を滑らかにする。 この問題に対処するため、我々は2つのグラフビューでグラフを強化し、ノードは最も類似した特徴や局所構造を持つものと直接リンクする。 生成したビューと元のグラフをまたいだ表現の一致を最大化する手法を提案する。
  論文  参考訳（メタデータ） (2021-06-07T15:38:36Z)
• Barlow Twins: Self-Supervised Learning via Redundancy Reduction [31.077182488826963]
  SSL(Self-supervised Learning)は、大規模なコンピュータビジョンベンチマークの監督メソッドによるギャップを急速に閉じています。 2つの同一ネットワークの出力間の相互相関行列を測定することにより,崩壊を自然に回避する目的関数を提案する。 これにより、歪んだサンプルの表現ベクトルは類似し、これらのベクトルの成分間の冗長性が最小化される。
  論文  参考訳（メタデータ） (2021-03-04T18:55:09Z)
• PC-RGNN: Point Cloud Completion and Graph Neural Network for 3D Object Detection [57.49788100647103]
  LiDARベースの3Dオブジェクト検出は、自動運転にとって重要なタスクです。 現在のアプローチでは、遠方および閉ざされた物体の偏りと部分的な点雲に苦しむ。 本稿では,この課題を2つの解決法で解決する新しい二段階アプローチ,pc-rgnnを提案する。
  論文  参考訳（メタデータ） (2020-12-18T18:06:43Z)
• Graph Fairing Convolutional Networks for Anomaly Detection [7.070726553564701]
  半教師付き異常検出のためのスキップ接続付きグラフ畳み込みネットワークを提案する。 本モデルの有効性は,5つのベンチマークデータセットに対する広範な実験によって実証された。
  論文  参考訳（メタデータ） (2020-10-20T13:45:47Z)
• GraphCL: Contrastive Self-Supervised Learning of Graph Representations [20.439666392958284]
  本稿では,ノード表現を自己教師型で学習するための一般的なフレームワークであるGraph Contrastive Learning (GraphCL)を提案する。 グラフニューラルネットワークを用いて、同じノードの2つの表現を生成し、対照的な学習損失を利用して両者の一致を最大化する。 帰納的学習と帰納的学習の両方において,本手法がノード分類ベンチマークにおいて教師なし学習の最先端性を大幅に上回っていることを示す。
  論文  参考訳（メタデータ） (2020-07-15T22:36:53Z)
• Binarized Graph Neural Network [65.20589262811677]
  我々は二項化グラフニューラルネットワークを開発し、二項化ネットワークパラメータを用いてノードのバイナリ表現を学習する。 提案手法は既存のGNNベースの埋め込み手法にシームレスに統合できる。 実験により、提案された二項化グラフニューラルネットワーク、すなわちBGNは、時間と空間の両方の観点から、桁違いに効率的であることが示されている。
  論文  参考訳（メタデータ） (2020-04-19T09:43:14Z)

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。