論文の概要: A Multi-purposed Unsupervised Framework for Comparing Embeddings of
Undirected and Directed Graphs
- arxiv url: http://arxiv.org/abs/2112.00075v1
- Date: Tue, 30 Nov 2021 20:20:30 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-03 05:39:59.749212
- Title: A Multi-purposed Unsupervised Framework for Comparing Embeddings of
Undirected and Directed Graphs
- Title（参考訳）: 有向グラフと有向グラフの埋め込み比較のための多目的非教師付きフレームワーク
- Authors: Bogumi{\l} Kami\'nski, {\L}ukasz Krai\'nski, Pawe{\l} Pra{\l}at,
Fran\c{c}ois Th\'eberge
- Abstract要約: 筆者らが最近導入したグラフ埋め込み評価フレームワークを拡張した。
適切な埋め込みは、基礎となるグラフトポロジと構造、ノード間関係、その他の関連する情報をキャプチャする必要がある。
フレームワークは柔軟でスケーラブルで、非指向/指向/重み付き/非重み付きグラフを扱うことができる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Graph embedding is a transformation of nodes of a network into a set of
vectors. A good embedding should capture the underlying graph topology and
structure, node-to-node relationship, and other relevant information about the
graph, its subgraphs, and nodes themselves. If these objectives are achieved,
an embedding is a meaningful, understandable, and often compressed
representation of a network. Unfortunately, selecting the best embedding is a
challenging task and very often requires domain experts. In this paper, we
extend the framework for evaluating graph embeddings that was recently
introduced by the authors. Now, the framework assigns two scores, local and
global, to each embedding that measure the quality of an evaluated embedding
for tasks that require good representation of local and, respectively, global
properties of the network. The best embedding, if needed, can be selected in an
unsupervised way, or the framework can identify a few embeddings that are worth
further investigation. The framework is flexible, scalable, and can deal with
undirected/directed, weighted/unweighted graphs.
- Abstract（参考訳）: グラフ埋め込みは、ネットワークのノードをベクトルの集合に変換するものである。
グラフトポロジと構造、ノード間関係、およびグラフ、そのサブグラフ、およびそれ自身に関する他の関連する情報を適切な埋め込みで取得する必要がある。
これらの目的が達成されれば、埋め込みは意味があり、理解でき、しばしば圧縮されたネットワーク表現である。
残念ながら、最高の埋め込みを選択するのは難しい作業であり、ドメインの専門家が必要です。
本稿では,著者らが最近導入したグラフ埋め込みの評価フレームワークを拡張する。
現在、このフレームワークは、各埋め込みにローカルとグローバルの2つのスコアを割り当てており、ネットワークのグローバルな特性をよく表現する必要があるタスクに対して評価された埋め込みの品質を測定する。
最適な埋め込みは、必要に応じて教師なしの方法で選択できるし、フレームワークはさらなる調査に値するいくつかの埋め込みを識別できる。
フレームワークは柔軟でスケーラブルで、非指向/指向/重み付き/非重み付きグラフを扱うことができる。
関連論文リスト
- DGNN: Decoupled Graph Neural Networks with Structural Consistency
between Attribute and Graph Embedding Representations [62.04558318166396]
グラフニューラルネットワーク(GNN)は、複雑な構造を持つグラフ上での表現学習の堅牢性を示す。
ノードのより包括的な埋め込み表現を得るために、Decoupled Graph Neural Networks (DGNN)と呼ばれる新しいGNNフレームワークが導入された。
複数のグラフベンチマークデータセットを用いて、ノード分類タスクにおけるDGNNの優位性を検証した。
論文 参考訳（メタデータ） (2024-01-28T06:43:13Z) - 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) - Unsupervised Framework for Evaluating and Explaining Structural Node
Embeddings of Graphs [2.539920413471809]
埋め込みとは、ネットワークのノードの集合から実際のベクトル空間へのマッピングである。
古典的な埋め込みには、データサイエンティストが(教師なしの方法で)さらなる調査に値する埋め込みを識別するのに役立つフレームワークが存在する。
本稿では,構造グラフ埋め込みの教師なしランキングのためのフレームワークを提案する。
論文 参考訳（メタデータ） (2023-06-19T08:27:02Z) - NodeFormer: A Scalable Graph Structure Learning Transformer for Node
Classification [70.51126383984555]
本稿では,任意のノード間のノード信号を効率的に伝搬する全ペアメッセージパッシング方式を提案する。
効率的な計算は、カーナライズされたGumbel-Softmax演算子によって実現される。
グラフ上のノード分類を含む様々なタスクにおいて,本手法の有望な有効性を示す実験を行った。
論文 参考訳（メタデータ） (2023-06-14T09:21:15Z) - Graph Decipher: A transparent dual-attention graph neural network to
understand the message-passing mechanism for the node classification [2.0047096160313456]
本稿では,メッセージパッシング機構を調べるために,Graph Decipherと呼ばれる新しい透過型ネットワークを提案する。
本アルゴリズムは,ノード分類タスクの負荷を大幅に低減しつつ,最先端の性能を実現する。
論文 参考訳（メタデータ） (2022-01-04T23:24:00Z) - 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) - 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) - Evaluating Node Embeddings of Complex Networks [0.0]
agood embeddedはグラフトポロジー、ノード間関係、およびグラフに関する他の関連情報をキャプチャする。
主な課題は、埋め込みがグラフの特性をうまく記述することを保証する必要があることである。
実世界のネットワーク上でも人工的に生成されたものでも、選択したグラフ埋め込みアルゴリズムを用いて一連の実験を行う。
論文 参考訳（メタデータ） (2021-02-16T16:55:29Z) - Spectral Embedding of Graph Networks [76.27138343125985]
ローカルノードの類似性と接続性、グローバル構造をトレードオフする教師なしグラフ埋め込みを導入する。
埋め込みは一般化されたグラフ Laplacian に基づいており、固有ベクトルは1つの表現においてネットワーク構造と近傍近傍の両方をコンパクトにキャプチャする。
論文 参考訳（メタデータ） (2020-09-30T04:59:10Z)
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。