論文の概要: High-order joint embedding for multi-level link prediction

• arxiv url: http://arxiv.org/abs/2111.05265v1
• Date: Sun, 7 Nov 2021 05:22:54 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-10 15:10:51.630089
• Title: High-order joint embedding for multi-level link prediction
• Title（参考訳）: 多レベルリンク予測のための高次ジョイント埋め込み
• Authors: Yubai Yuan and Annie Qu
• Abstract要約: リンク予測は、観測されたネットワークから潜在的なリンクを推測し、ネットワーク分析において重要な問題の1つである。 本稿では,ペアリンクとハイパーリンクを同時に符号化する新しいテンソル型ジョイントネットワーク埋め込み手法を提案する。 シミュレーション設定とFacebook ego-networksの両方に関する数値的研究により,提案手法はハイパーリンクとペアリンク予測の精度を向上することが示された。
• 参考スコア（独自算出の注目度）: 2.4366811507669124
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Link prediction infers potential links from observed networks, and is one of the essential problems in network analyses. In contrast to traditional graph representation modeling which only predicts two-way pairwise relations, we propose a novel tensor-based joint network embedding approach on simultaneously encoding pairwise links and hyperlinks onto a latent space, which captures the dependency between pairwise and multi-way links in inferring potential unobserved hyperlinks. The major advantage of the proposed embedding procedure is that it incorporates both the pairwise relationships and subgroup-wise structure among nodes to capture richer network information. In addition, the proposed method introduces a hierarchical dependency among links to infer potential hyperlinks, and leads to better link prediction. In theory we establish the estimation consistency for the proposed embedding approach, and provide a faster convergence rate compared to link prediction utilizing pairwise links or hyperlinks only. Numerical studies on both simulation settings and Facebook ego-networks indicate that the proposed method improves both hyperlink and pairwise link prediction accuracy compared to existing link prediction algorithms.
• Abstract（参考訳）: リンク予測は観測されたネットワークからの潜在的なリンクを推定し、ネットワーク分析における重要な問題の1つである。 本研究では,2方向の対関係のみを予測する従来のグラフ表現モデルとは対照的に,ペアワイドリンクとハイパーリンクを同時に符号化するテンソルベースの結合ネットワーク埋め込み手法を提案する。 提案手法の主な利点は,ノード間の対関係と部分群構造の両方を統合し,よりリッチなネットワーク情報を取得することである。 さらに,提案手法では,リンク間の階層的依存性を導入し,潜在的なハイパーリンクを推測し,リンク予測を改善する。 理論的には,提案手法に対する推定整合性を確立し,ペアワイズリンクやハイパーリンクのみを用いたリンク予測よりも高速な収束率を提供する。 シミュレーション設定とfacebook ego-networksの数値的研究から,提案手法はリンク予測アルゴリズムと比較してハイパーリンクとペアワイズリンク予測の両方の精度が向上することが示唆された。

関連論文リスト

• Multi-Agent Dynamic Relational Reasoning for Social Robot Navigation [50.01551945190676]
  社会ロボットナビゲーションは、日常生活の様々な状況において有用であるが、安全な人間とロボットの相互作用と効率的な軌道計画が必要である。 本稿では, 動的に進化する関係構造を明示的に推論した系統的関係推論手法を提案する。 マルチエージェント軌道予測とソーシャルロボットナビゲーションの有効性を実証する。
  論文  参考訳（メタデータ） (2024-01-22T18:58:22Z)
• Learning Complete Topology-Aware Correlations Between Relations for Inductive Link Prediction [121.65152276851619]
  関係性間の意味的相関は本質的にエッジレベルとエンティティ非依存であることを示す。 本研究では,関係関係のトポロジ・アウェア・コレレーションをモデル化するための新しいサブグラフベース手法,TACOを提案する。 RCNのポテンシャルをさらに活用するために, 完全コモンニアインダストリアルサブグラフを提案する。
  論文  参考訳（メタデータ） (2023-09-20T08:11:58Z)
• EvolveHypergraph: Group-Aware Dynamic Relational Reasoning for Trajectory Prediction [39.66755326557846]
  本稿では,動的に進化する関係構造を明示的に推論したグループ認識型関係推論手法(Hypergraph)を提案する。 提案手法は, 説明可能な, 合理的なグループ認識関係を推定し, 長期予測における最先端性能を実現する。
  論文  参考訳（メタデータ） (2022-08-10T17:57:10Z)
• A Survey on Hyperlink Prediction [5.040884130649049]
  本稿では,既存のハイパーリンク予測手法を,類似性に基づく,確率に基づく,行列最適化に基づく,深層学習に基づく4つのカテゴリに分類する。 特に、ハイパーリンク予測における他の手法よりもディープラーニングベースの手法が一般的である。
  論文  参考訳（メタデータ） (2022-07-06T18:36:35Z)
• Link Prediction with Contextualized Self-Supervision [63.25455976593081]
  リンク予測は、ネットワーク内の2つのノード間のリンクの存在を推測することを目的としている。 従来のリンク予測アルゴリズムは、リンク空間、ノード属性ノイズ、ネットワークダイナミクスという3つの大きな課題によって妨げられている。 本稿では,リンク予測のための構造的コンテキスト予測を完全に活用する,コンテキスト適応型自己監視学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-01-25T03:12:32Z)
• Adversarial Robustness of Probabilistic Network Embedding for Link Prediction [24.335469995826244]
  リンク予測のための条件付きネットワーク埋め込み(CNE)の対角的ロバスト性について検討する。 ネットワークの小さな対向摂動に対するモデルのリンク予測の感度を測定した。 我々のアプローチでは、そのような摂動に最も弱いネットワーク内のリンクとリンクを識別できる。
  論文  参考訳（メタデータ） (2021-07-05T11:07:35Z)
• Interpretable Signed Link Prediction with Signed Infomax Hyperbolic Graph [54.03786611989613]
  ソーシャルネットワークにおけるサイン付きリンク予測は、ユーザ(すなわちノード)間の基盤となる関係(リンク)を明らかにすることを目的としている 我々は Signed Infomax Hyperbolic Graph (textbfSIHG) と呼ばれる統一されたフレームワークを開発する。 高次ユーザ関係と複雑な階層をモデル化するために、ノードの埋め込みを投影し、より低歪みの双曲空間で測定する。
  論文  参考訳（メタデータ） (2020-11-25T05:09:03Z)
• Learning to Extrapolate Knowledge: Transductive Few-shot Out-of-Graph Link Prediction [69.1473775184952]
  数発のアウトオブグラフリンク予測という現実的な問題を導入する。 我々は,新しいメタ学習フレームワークによってこの問題に対処する。 我々は,知識グラフの補完と薬物と薬物の相互作用予測のために,複数のベンチマークデータセット上でモデルを検証した。
  論文  参考訳（メタデータ） (2020-06-11T17:42:46Z)
• Heuristics for Link Prediction in Multiplex Networks [15.637077180633735]
  マルチプレックスネットワークリンク予測のための新しいフレームワークと3つのファミリーを提案する。 提案手法は, 接続型相関構造のリッチさにより性能が向上し, 単一の接続型を持つ通常のネットワークにおいて, ベースラインを著しく上回っていることを示す。
  論文  参考訳（メタデータ） (2020-04-09T17:36:18Z)
• Cascaded Human-Object Interaction Recognition [175.60439054047043]
  マルチステージで粗大なHOI理解のためのカスケードアーキテクチャを提案する。 各段階で、インスタンスローカライゼーションネットワークは、HOI提案を段階的に洗練し、インタラクション認識ネットワークにフィードする。 慎重に設計された人間中心の関係機能により、これらの2つのモジュールは効果的な相互作用理解に向けて協調的に機能する。
  論文  参考訳（メタデータ） (2020-03-09T17:05:04Z)

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。