論文の概要: Network representation learning: A macro and micro view
- arxiv url: http://arxiv.org/abs/2111.10772v1
- Date: Sun, 21 Nov 2021 08:58:51 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-23 14:08:38.840374
- Title: Network representation learning: A macro and micro view
- Title（参考訳）: ネットワーク表現学習:マクロとマイクロビュー
- Authors: Xueyi Liu, Jie Tang
- Abstract要約: 本稿では,ネットワーク表現学習に関する最近の文献を包括的にレビューする。
既存のアルゴリズムは、浅い埋め込みモデル、異種ネットワーク埋め込みモデル、グラフニューラルネットワークベースモデルという3つのグループに分類される。
この調査の利点の1つは、アルゴリズムの異なるカテゴリの基礎となる理論的基礎を体系的に研究することである。
- 参考スコア（独自算出の注目度）: 9.221196170951702
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Graph is a universe data structure that is widely used to organize data in
real-world. Various real-word networks like the transportation network, social
and academic network can be represented by graphs. Recent years have witnessed
the quick development on representing vertices in the network into a
low-dimensional vector space, referred to as network representation learning.
Representation learning can facilitate the design of new algorithms on the
graph data. In this survey, we conduct a comprehensive review of current
literature on network representation learning. Existing algorithms can be
categorized into three groups: shallow embedding models, heterogeneous network
embedding models, graph neural network based models. We review state-of-the-art
algorithms for each category and discuss the essential differences between
these algorithms. One advantage of the survey is that we systematically study
the underlying theoretical foundations underlying the different categories of
algorithms, which offers deep insights for better understanding the development
of the network representation learning field.
- Abstract（参考訳）: グラフは、現実世界のデータ整理に広く使われている宇宙のデータ構造である。
交通ネットワーク、社会ネットワーク、学術ネットワークのような様々なリアルワードネットワークはグラフで表現できる。
近年、ネットワークの頂点をネットワーク表現学習と呼ばれる低次元ベクトル空間に表現する手法が急速に発展している。
表現学習はグラフデータに基づく新しいアルゴリズムの設計を容易にする。
本稿では,ネットワーク表現学習に関する現在の文献を総合的に概観する。
既存のアルゴリズムは、浅い埋め込みモデル、異種ネットワーク埋め込みモデル、グラフニューラルネットワークベースモデルという3つのグループに分類される。
本稿では,各カテゴリの最先端アルゴリズムを概説し,これらのアルゴリズムの本質的な違いについて考察する。
この調査の利点の1つは、ネットワーク表現学習分野の開発をより深く理解するための深い洞察を提供するアルゴリズムの異なるカテゴリの基礎となる理論的基礎を体系的に研究することである。
関連論文リスト
- A Comprehensive Survey on Deep Graph Representation Learning [26.24869157855632]
グラフ表現学習は、高次元スパースグラフ構造化データを低次元密度ベクトルに符号化することを目的としている。
従来の手法ではモデル能力に制限があり、学習性能に制限がある。
深層グラフ表現学習は、浅い(伝統的な)方法よりも大きな可能性と利点を示している。
論文 参考訳（メタデータ） (2023-04-11T08:23:52Z) - State of the Art and Potentialities of Graph-level Learning [54.68482109186052]
グラフレベルの学習は、比較、回帰、分類など、多くのタスクに適用されている。
グラフの集合を学習する伝統的なアプローチは、サブストラクチャのような手作りの特徴に依存している。
ディープラーニングは、機能を自動的に抽出し、グラフを低次元表現に符号化することで、グラフレベルの学習をグラフの規模に適応させるのに役立っている。
論文 参考訳（メタデータ） (2023-01-14T09:15:49Z) - 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) - Network representation learning systematic review: ancestors and current
development state [1.0312968200748116]
本稿では,ネットワーク埋め込みとして知られるネットワーク表現学習を誕生から現在までの体系的に調査する。
また,ネットワーク表現学習の理解に必要な基本概念の形式的定義も提供する。
最も一般的に使用される下流タスクは、埋め込みの評価、評価メトリクス、一般的なデータセットである。
論文 参考訳（メタデータ） (2021-09-14T14:44:44Z) - Graph Neural Networks: Methods, Applications, and Opportunities [1.2183405753834562]
本稿では,各学習環境におけるグラフニューラルネットワーク(GNN)の包括的調査について報告する。
各学習課題に対するアプローチは、理論的および経験的視点の両方から分析される。
さまざまなアプリケーションやベンチマークデータセットも提供されており、GNNの一般適用性に疑問が残るオープンな課題もある。
論文 参考訳（メタデータ） (2021-08-24T13:46:19Z) - Temporal Graph Network Embedding with Causal Anonymous Walks
Representations [54.05212871508062]
本稿では,時間グラフネットワークに基づく動的ネットワーク表現学習のための新しいアプローチを提案する。
評価のために、時間的ネットワーク埋め込みの評価のためのベンチマークパイプラインを提供する。
欧州の大手銀行が提供した実世界のダウンストリームグラフ機械学習タスクにおいて、我々のモデルの適用性と優れた性能を示す。
論文 参考訳（メタデータ） (2021-08-19T15:39:52Z) - Graph-Based Neural Network Models with Multiple Self-Supervised
Auxiliary Tasks [79.28094304325116]
グラフ畳み込みネットワークは、構造化されたデータポイント間の関係をキャプチャするための最も有望なアプローチである。
マルチタスク方式でグラフベースニューラルネットワークモデルを学習するための3つの新しい自己教師付き補助タスクを提案する。
論文 参考訳（メタデータ） (2020-11-14T11:09:51Z) - Towards Deeper Graph Neural Networks [63.46470695525957]
グラフ畳み込みは近傍の集約を行い、最も重要なグラフ操作の1つである。
いくつかの最近の研究で、この性能劣化は過度に滑らかな問題に起因している。
本研究では,大きな受容領域からの情報を適応的に組み込むディープ適応グラフニューラルネットワーク(DAGNN)を提案する。
論文 参考訳（メタデータ） (2020-07-18T01:11:14Z) - GCC: Graph Contrastive Coding for Graph Neural Network Pre-Training [62.73470368851127]
グラフ表現学習は現実世界の問題に対処する強力な手法として登場した。
自己教師付きグラフニューラルネットワーク事前トレーニングフレームワークであるGraph Contrastive Codingを設計する。
3つのグラフ学習タスクと10のグラフデータセットについて実験を行った。
論文 参考訳（メタデータ） (2020-06-17T16:18:35Z) - Machine Learning on Graphs: A Model and Comprehensive Taxonomy [22.73365477040205]
グラフニューラルネットワーク、ネットワーク埋め込み、グラフ正規化モデルの間のギャップを埋める。
具体的には、グラフ上の半教師付き学習のための一般的なアルゴリズムを一般化するグラフデコーダモデル( GraphEDM)を提案する。
論文 参考訳（メタデータ） (2020-05-07T18:00:02Z) - Deep Learning for Learning Graph Representations [58.649784596090385]
グラフデータのマイニングはコンピュータ科学においてポピュラーな研究トピックとなっている。
ネットワークデータの膨大な量は、効率的な分析に大きな課題をもたらしている。
これはグラフ表現の出現を動機付け、グラフを低次元ベクトル空間にマッピングする。
論文 参考訳（メタデータ） (2020-01-02T02:13:28Z)
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。