Fugu-MT 論文翻訳(概要): Wasserstein Adversarially Regularized Graph Autoencoder

論文の概要: Wasserstein Adversarially Regularized Graph Autoencoder

arxiv url: http://arxiv.org/abs/2111.04981v1
Date: Tue, 9 Nov 2021 08:03:51 GMT
ステータス: 処理完了
システム内更新日: 2021-11-10 15:27:42.461513
Title: Wasserstein Adversarially Regularized Graph Autoencoder
Title（参考訳）: Wasserstein Adversarially Regularized Graph Autoencoder
Authors: Huidong Liang and Junbin Gao
Abstract要約: 本稿では,Wasserstein Adversarially Regularized Graph Autoencoder (WARGA)を紹介する。 WARGAは暗黙的な生成アルゴリズムであり、ワッサーシュタイン計量を用いてノード埋め込みの潜在分布を直接正規化する。提案手法は,実世界のグラフ上でのリンク予測とノードクラスタリングのタスクにおいて検証されている。
参考スコア（独自算出の注目度）: 35.652234989200956
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: This paper introduces Wasserstein Adversarially Regularized Graph Autoencoder (WARGA), an implicit generative algorithm that directly regularizes the latent distribution of node embedding to a target distribution via the Wasserstein metric. The proposed method has been validated in tasks of link prediction and node clustering on real-world graphs, in which WARGA generally outperforms state-of-the-art models based on Kullback-Leibler (KL) divergence and typical adversarial framework.
Abstract（参考訳）: 本稿では、ワッサースタイン計量を用いてノード埋め込みの潜在分布を直接正規化する暗黙的生成アルゴリズムであるワッサーシュタイン適応正規化グラフオートコーダ(WARGA)を紹介する。提案手法は,kullback-leibler(kl)の発散と典型的な敵対的フレームワークに基づく最先端モデルよりもwargaが優勢な実世界グラフ上でのリンク予測とノードクラスタリングのタスクで検証されている。

関連論文リスト

Deep Manifold Graph Auto-Encoder for Attributed Graph Embedding [51.75091298017941]
本稿では,属性付きグラフデータに対する新しいDeep Manifold (Variational) Graph Auto-Encoder (DMVGAE/DMGAE)を提案する。提案手法は,最先端のベースラインアルゴリズムを,一般的なデータセット間でのダウンストリームタスクの差を大きく越える。
論文参考訳（メタデータ） (2024-01-12T17:57:07Z)
Variational Disentangled Graph Auto-Encoders for Link Prediction [10.390861526194662]
本稿では,DGAE(disentangled graph auto-encoder)とVDGAE(variantal disentangled graph auto-encoder)の2つの変種を持つ新しいフレームワークを提案する。提案フレームワークは,グラフのエッジの原因となる潜伏因子を推定し,その表現を一意の潜伏因子に対応する複数のチャネルに分解する。
論文参考訳（メタデータ） (2023-06-20T06:25:05Z)
Generating Post-hoc Explanations for Skip-gram-based Node Embeddings by Identifying Important Nodes with Bridgeness [19.448849238643582]
DeepWalk、LINE、struc2vec、PTE、UserItem2vec、RWJBGなどの教師なしノード埋め込みメソッドがSkip-gramモデルから登場した。本稿では,Skip-gramをベースとした埋め込みのグローバルな説明は,スペクトルクラスタを意識した局所摂動下でのブリッジネスの計算によって得られることを示す。 Graph-wGD と呼ばれる新しい勾配に基づく説明法を提案し,学習グラフ埋め込みベクトルのグローバルな説明をより効率的に行えるようにした。
論文参考訳（メタデータ） (2023-04-24T12:25:35Z)
Clustering for directed graphs using parametrized random walk diffusion kernels [5.145741425164946]
我々は,P-RWDKC(Parametrized Random Walk Diffusion Kernel Clustering)という新しいクラスタリングフレームワークを導入する。我々のフレームワークは拡散幾何学と一般化スペクトルクラスタリングフレームワークに基づいている。実世界のデータセットと実世界のグラフから構築した$K$-NNグラフの実験は、我々のクラスタリングアプローチがすべてのテストケースでうまく機能していることを示しています。
論文参考訳（メタデータ） (2022-10-01T16:13:40Z)
Graph Condensation via Receptive Field Distribution Matching [61.71711656856704]
本稿では,元のグラフを表す小さなグラフの作成に焦点をあてる。我々は、元のグラフを受容体の分布とみなし、受容体が同様の分布を持つ小さなグラフを合成することを目的としている。
論文参考訳（メタデータ） (2022-06-28T02:10:05Z)
Optimal Propagation for Graph Neural Networks [51.08426265813481]
最適グラフ構造を学習するための二段階最適化手法を提案する。また、時間的複雑さをさらに軽減するために、低ランク近似モデルについても検討する。
論文参考訳（メタデータ） (2022-05-06T03:37:00Z)
Neural Link Prediction with Walk Pooling [31.12613408446031]
ウォークプールと呼ばれる新しいプール方式に基づくリンク予測を提案する。トポロジカルアルゴリズムの表現性とニューラルネットワークの機能学習能力を組み合わせる。これは、すべての一般的なリンク予測ベンチマークで最先端の手法より優れている。
論文参考訳（メタデータ） (2021-10-08T20:52:12Z)
A Robust and Generalized Framework for Adversarial Graph Embedding [73.37228022428663]
本稿では,AGE という逆グラフ埋め込みのための頑健なフレームワークを提案する。 AGEは、暗黙の分布から強化された負のサンプルとして偽の隣接ノードを生成する。本フレームワークでは,3種類のグラフデータを扱う3つのモデルを提案する。
論文参考訳（メタデータ） (2021-05-22T07:05:48Z)
Block-Approximated Exponential Random Graphs [77.4792558024487]
指数乱グラフ(ERG)の分野における重要な課題は、大きなグラフ上の非自明なERGの適合である。本稿では,非自明なERGに対する近似フレームワークを提案する。我々の手法は、数百万のノードからなるスパースグラフにスケーラブルである。
論文参考訳（メタデータ） (2020-02-14T11:42:16Z)

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。