論文の概要: Measuring Proximity in Attributed Networks for Community Detection
- arxiv url: http://arxiv.org/abs/2111.03089v1
- Date: Thu, 4 Nov 2021 18:07:05 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-09 04:23:21.868191
- Title: Measuring Proximity in Attributed Networks for Community Detection
- Title(参考訳): コミュニティ検出のための分散ネットワークの確率測定
- Authors: Rinat Aynulin, Pavel Chebotarev
- Abstract要約: 我々は、よく研究された近接測度の定義を属性付きネットワークに拡張する。
スペクトルクラスタリングアルゴリズムを用いて,実世界のネットワークにおけるコミュニティ構造を検出する手法を適用した。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Proximity measures on graphs have a variety of applications in network
analysis, including community detection. Previously they have been mainly
studied in the context of networks without attributes. If node attributes are
taken into account, however, this can provide more insight into the network
structure. In this paper, we extend the definition of some well-studied
proximity measures to attributed networks. To account for attributes, several
attribute similarity measures are used. Finally, the obtained proximity
measures are applied to detect the community structure in some real-world
networks using the spectral clustering algorithm.
- Abstract(参考訳): グラフの確率測定は、コミュニティ検出を含むネットワーク分析に様々な応用がある。
これまでは主に属性のないネットワークの文脈で研究されてきた。
しかしノード属性を考慮に入れば、ネットワーク構造についてより深い洞察が得られる。
本稿では,よく研究されている近接測度の定義を属性付きネットワークに拡張する。
属性を考慮するために、いくつかの属性類似性尺度が用いられる。
最後に, スペクトルクラスタリングアルゴリズムを用いて, 実世界のネットワークにおけるコミュニティ構造を検出するために, 得られた近接尺度を適用した。
関連論文リスト
- The Influence of Network Structural Preference on Node Classification
and Link Prediction [0.0]
本研究は,新しい機能抽象化手法,すなわちTransition Probabilities Matrix (TPM)を導入する。
提案手法は,3つの実世界のネットワーク上でノード識別・分類・リンク予測を行った。
論文 参考訳(メタデータ) (2022-08-07T12:56:28Z) - Quasi-orthogonality and intrinsic dimensions as measures of learning and
generalisation [55.80128181112308]
ニューラルネットワークの特徴空間の次元性と準直交性は、ネットワークの性能差別と共同して機能する可能性があることを示す。
本研究は, ネットワークの最終的な性能と, ランダムに初期化された特徴空間の特性との関係を示唆する。
論文 参考訳(メタデータ) (2022-03-30T21:47:32Z) - A Comprehensive Survey on Community Detection with Deep Learning [93.40332347374712]
コミュニティは、ネットワーク内の他のコミュニティと異なるメンバーの特徴と接続を明らかにする。
この調査は、最先端の手法の様々なカテゴリをカバーする新しい分類法を考案し、提案する。
ディープニューラルネットワーク(Deep Neural Network)は、畳み込みネットワーク(convolutional network)、グラフアテンションネットワーク( graph attention network)、生成的敵ネットワーク(generative adversarial network)、オートエンコーダ(autoencoder)に分けられる。
論文 参考訳(メタデータ) (2021-05-26T14:37:07Z) - Anomaly Detection on Attributed Networks via Contrastive Self-Supervised
Learning [50.24174211654775]
本論文では,アトリビュートネットワーク上の異常検出のためのコントラスト型自己監視学習フレームワークを提案する。
このフレームワークは、新しいタイプのコントラストインスタンスペアをサンプリングすることで、ネットワークデータからのローカル情報を完全に活用します。
高次元特性と局所構造から情報埋め込みを学習するグラフニューラルネットワークに基づくコントラスト学習モデルを提案する。
論文 参考訳(メタデータ) (2021-02-27T03:17:20Z) - GAGE: Geometry Preserving Attributed Graph Embeddings [34.25102483600248]
本稿では,属性ネットワークにノードを埋め込む手法を提案する。
接続と属性の両方の距離を保存する。
学習課題に取り組むために,効率的かつ軽量なアルゴリズムを開発した。
論文 参考訳(メタデータ) (2020-11-03T02:07:02Z) - On the use of local structural properties for improving the efficiency
of hierarchical community detection methods [77.34726150561087]
本研究では,階層型コミュニティ検出の効率向上のために,局所構造ネットワーク特性をプロキシとして利用する方法について検討する。
また,ネットワークプルーニングの性能への影響を,階層的コミュニティ検出をより効率的にするための補助的手法として検証する。
論文 参考訳(メタデータ) (2020-09-15T00:16:12Z) - 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) - Detecting Communities in Heterogeneous Multi-Relational Networks:A
Message Passing based Approach [89.19237792558687]
コミュニティは、ソーシャルネットワーク、生物学的ネットワーク、コンピュータおよび情報ネットワークを含むネットワークの共通の特徴である。
我々は,全同種ネットワークのコミュニティを同時に検出する効率的なメッセージパッシングに基づくアルゴリズムを提案する。
論文 参考訳(メタデータ) (2020-04-06T17:36:24Z) - Neural Network Tomography [4.407668482702675]
ネットワークトモグラフィーはネットワーク監視の領域における古典的な研究課題である。
NeuTomographyは、未測定のパフォーマンス指標を予測するために、ディープニューラルネットワークとデータ拡張を利用する。
NeuTomographyは、元のネットワークトポロジを再構築するために使用できる。
論文 参考訳(メタデータ) (2020-01-09T12:19:26Z) - Predicting Attributes of Nodes Using Network Structure [0.34998703934432673]
a_i$ の属性値を予測するために,属性 $a_i$ に関する特徴写像でノードを表現するアプローチを提案する。
10個の実世界のデータセットに対して広範な実験を行い、提案した特徴マップがこれらのデータセットのベースラインアプローチと比較して予測精度を大幅に向上することを示す。
論文 参考訳(メタデータ) (2019-12-27T17:59:33Z)
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。