論文の概要: Topic-aware latent models for representation learning on networks
- arxiv url: http://arxiv.org/abs/2111.05576v1
- Date: Wed, 10 Nov 2021 08:52:52 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-11 15:24:34.608664
- Title: Topic-aware latent models for representation learning on networks
- Title（参考訳）: ネットワーク上での表現学習のためのトピック認識潜在モデル
- Authors: Abdulkadir \c{C}elikkanat and Fragkiskos D. Malliaros
- Abstract要約: 本稿では,トピックベース情報を用いたランダムウォークベースアプローチにより取得したノードの埋め込みを強化する汎用フレームワークであるTNEを紹介する。
提案手法はノード分類とリンク予測という2つのダウンストリームタスクで評価する。
- 参考スコア（独自算出の注目度）: 5.304857921982132
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Network representation learning (NRL) methods have received significant
attention over the last years thanks to their success in several graph analysis
problems, including node classification, link prediction, and clustering. Such
methods aim to map each vertex of the network into a low-dimensional space in a
way that the structural information of the network is preserved. Of particular
interest are methods based on random walks; such methods transform the network
into a collection of node sequences, aiming to learn node representations by
predicting the context of each node within the sequence. In this paper, we
introduce TNE, a generic framework to enhance the embeddings of nodes acquired
by means of random walk-based approaches with topic-based information. Similar
to the concept of topical word embeddings in Natural Language Processing, the
proposed model first assigns each node to a latent community with the favor of
various statistical graph models and community detection methods and then
learns the enhanced topic-aware representations. We evaluate our methodology in
two downstream tasks: node classification and link prediction. The experimental
results demonstrate that by incorporating node and community embeddings, we are
able to outperform widely-known baseline NRL models.
- Abstract（参考訳）: ネットワーク表現学習(nrl)手法は,ノード分類やリンク予測,クラスタリングなど,いくつかのグラフ解析問題に成功し,ここ数年で大きな注目を集めている。
このような手法は,ネットワークの構造情報が保存されるように,ネットワークの各頂点を低次元空間にマッピングすることを目的としている。
これらの方法はネットワークをノードシーケンスの集合に変換し、シーケンス内の各ノードのコンテキストを予測することによってノード表現を学習することを目的としている。
本稿では,トピックベース情報を用いたランダムウォークベースアプローチにより取得したノードの埋め込みを強化する汎用フレームワークであるTNEを紹介する。
自然言語処理における話題単語の埋め込みの概念と同様に、提案モデルはまず、様々な統計グラフモデルとコミュニティ検出手法を用いて、各ノードを潜在コミュニティに割り当て、拡張されたトピック認識表現を学習する。
提案手法はノード分類とリンク予測という2つのダウンストリームタスクで評価する。
実験の結果,ノードとコミュニティの埋め込みを組み込むことで,広く知られているNRLモデルよりも優れた性能が得られることが示された。
関連論文リスト
- Ensemble Quadratic Assignment Network for Graph Matching [52.20001802006391]
グラフマッチングはコンピュータビジョンやパターン認識において一般的に用いられる技法である。
最近のデータ駆動型アプローチは、グラフマッチングの精度を著しく改善した。
データ駆動手法と従来の手法の利点を組み合わせたグラフニューラルネットワーク(GNN)に基づくアプローチを提案する。
論文 参考訳（メタデータ） (2024-03-11T06:34:05Z) - 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) - Hub-aware Random Walk Graph Embedding Methods for Classification [44.99833362998488]
ノード分類問題に特化して設計されたランダムウォークに基づく2つの新しいグラフ埋め込みアルゴリズムを提案する。
提案手法は,実世界のネットワークの埋め込みを訓練した3つの分類アルゴリズムの分類性能を解析して実験的に評価する。
論文 参考訳（メタデータ） (2022-09-15T20:41:18Z) - Associative Learning for Network Embedding [20.873120242498292]
新たな視点からネットワーク埋め込み手法を提案する。
ネットワークは各ノードの内容とそのノードの隣人との関係を学習する。
提案手法は,ノード分類やリンク予測などの下流タスクに対して評価を行う。
論文 参考訳（メタデータ） (2022-08-30T16:35:45Z) - 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) - A Variational Edge Partition Model for Supervised Graph Representation
Learning [51.30365677476971]
本稿では,重なり合うノード群間の相互作用を集約することで,観測されたエッジがどのように生成されるかをモデル化するグラフ生成プロセスを提案する。
それぞれのエッジを複数のコミュニティ固有の重み付きエッジの和に分割し、コミュニティ固有のGNNを定義する。
エッジを異なるコミュニティに分割するGNNベースの推論ネットワーク,これらのコミュニティ固有のGNN,およびコミュニティ固有のGNNを最終分類タスクに組み合わせたGNNベースの予測器を共同で学習するために,変分推論フレームワークを提案する。
論文 参考訳（メタデータ） (2022-02-07T14:37:50Z) - Network Representation Learning: From Preprocessing, Feature Extraction
to Node Embedding [9.844802841686105]
ネットワーク表現学習(NRL)は、ソーシャルネットワーク、知識グラフ、複雑なバイオメディカルおよび物理情報ネットワークの従来のグラフマイニングを進歩させる。
本稿では,同種ネットワーク上でのネットワーク表現学習における設計原理と異なるノード埋め込み手法について概説する。
論文 参考訳（メタデータ） (2021-10-14T17:46:37Z) - Node2Seq: Towards Trainable Convolutions in Graph Neural Networks [59.378148590027735]
今回提案するグラフネットワーク層であるNode2Seqは,隣接ノードの重みを明示的に調整可能なノード埋め込みを学習する。
対象ノードに対して,当手法は注意メカニズムを介して隣接ノードをソートし,さらに1D畳み込みニューラルネットワーク(CNN)を用いて情報集約のための明示的な重み付けを行う。
また, 特徴学習のための非局所的情報を, 注意スコアに基づいて適応的に組み込むことを提案する。
論文 参考訳（メタデータ） (2021-01-06T03:05:37Z) - Self-Supervised Learning of Contextual Embeddings for Link Prediction in
Heterogeneous Networks [11.540329725077843]
本研究では,グラフ全体からのグローバル情報を用いた静的表現学習手法をブリッジするフレームワークであるSLiCEを開発する。
まず、上位のセマンティックアソシエーションやマスキングノードを導入し、自己教師付きでモデルを事前訓練する。
また、セマンティックアソシエーション行列を解釈し、ネットワーク内の異種ノード間のリンク予測を成功させるために、その有用性と関連性を提供する。
論文 参考訳（メタデータ） (2020-07-22T03:48:53Z) - Policy-GNN: Aggregation Optimization for Graph Neural Networks [60.50932472042379]
グラフニューラルネットワーク(GNN)は、局所的なグラフ構造をモデル化し、隣人からの情報を集約することで階層的なパターンを捉えることを目的としている。
複雑なグラフとスパースな特徴を与えられた各ノードに対して効果的なアグリゲーション戦略を開発することは難しい課題である。
本稿では,GNNのサンプリング手順とメッセージパッシングを複合学習プロセスにモデル化するメタ政治フレームワークであるPolicy-GNNを提案する。
論文 参考訳（メタデータ） (2020-06-26T17:03:06Z)
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。