論文の概要: VGAER: graph neural network reconstruction based community detection
- arxiv url: http://arxiv.org/abs/2201.04066v1
- Date: Sat, 8 Jan 2022 02:19:47 GMT
- ステータス: 処理完了
- システム内更新日: 2022-01-12 14:24:34.785776
- Title: VGAER: graph neural network reconstruction based community detection
- Title（参考訳）: VGAER:グラフニューラルネットワークを用いたコミュニティ検出
- Authors: Chenyang Qiu, Zhaoci Huang, Wenzhe Xu, and Huijia Li
- Abstract要約: 本稿では,変分グラフオートエンコーダを用いたコミュニティ検出VGAERを提案する。
我々は,コミュニティ検出タスクに基づいて,対応する入力機能,デコーダ,下流タスクを設計した。
幅広いデータセットと高度な手法による一連の実験に基づいて、VGAERは優れた性能を達成し、よりシンプルな設計で強力な競争力と可能性を示している。
- 参考スコア（独自算出の注目度）: 0.37798600249187286
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Community detection is a fundamental and important issue in network science,
but there are only a few community detection algorithms based on graph neural
networks, among which unsupervised algorithms are almost blank. By fusing the
high-order modularity information with network features, this paper proposes a
Variational Graph AutoEncoder Reconstruction based community detection VGAER
for the first time, and gives its non-probabilistic version. They do not need
any prior information. We have carefully designed corresponding input features,
decoder, and downstream tasks based on the community detection task and these
designs are concise, natural, and perform well (NMI values under our design are
improved by 59.1% - 565.9%). Based on a series of experiments with wide range
of datasets and advanced methods, VGAER has achieved superior performance and
shows strong competitiveness and potential with a simpler design. Finally, we
report the results of algorithm convergence analysis and t-SNE visualization,
which clearly depicted the stable performance and powerful network modularity
ability of VGAER. Our codes are available at https://github.com/qcydm/VGAER.
- Abstract（参考訳）: ネットワーク科学において、コミュニティ検出は基本的かつ重要な問題であるが、グラフニューラルネットワークに基づくコミュニティ検出アルゴリズムはごくわずかであり、教師なしのアルゴリズムはほとんど空白である。
本稿では,高次モジュール情報とネットワーク特徴を融合して,変動グラフの自動エンコーダ再構成によるコミュニティ検出vgaerを初めて提案し,その非確率バージョンを提案する。
事前の情報は一切必要としない。
我々は、コミュニティ検出タスクに基づく入力機能、デコーダ、下流タスクを慎重に設計し、これらの設計は簡潔で自然であり、性能も良好である(設計時のNMI値は59.1%から565.9%向上している)。
幅広いデータセットと高度な手法による一連の実験に基づいて、VGAERは優れた性能を達成し、よりシンプルな設計で強力な競争力と可能性を示している。
最後に,アルゴリズム収束解析とt-sne可視化の結果について報告する。
私たちのコードはhttps://github.com/qcydm/vgaerで利用可能です。
関連論文リスト
- Graph Neural Network-Based Anomaly Detection for River Network Systems [0.8399688944263843]
水質のリアルタイムモニタリングは、インサイトセンサー技術にますます依存している。
センサデータの誤パターンを特定するには異常検出が不可欠である。
本稿では,河川ネットワークセンサデータにおける異常検出の課題に対する解決法を提案する。
論文 参考訳（メタデータ） (2023-04-19T01:32:32Z) - ViGU: Vision GNN U-Net for Fast MRI [1.523157765626545]
Vision GNN U-Net (ViGU) と呼ばれる高速MRIのための新しいビジョンGNN型ネットワークを提案する。
対称エンコーダとデコーダパスのグラフブロックを用いてU字型ネットワークを開発する。
数値的および視覚的な実験を通して、提案したViGUとGANの変種が既存のCNNおよびGANベースの手法より優れていることを示す。
論文 参考訳（メタデータ） (2023-01-23T12:51:57Z) - A Comprehensive Study on Large-Scale Graph Training: Benchmarking and
Rethinking [124.21408098724551]
グラフニューラルネットワーク(GNN)の大規模グラフトレーニングは、非常に難しい問題である
本稿では,既存の問題に対処するため,EnGCNという新たなアンサンブルトレーニング手法を提案する。
提案手法は,大規模データセット上でのSOTA(State-of-the-art)の性能向上を実現している。
論文 参考訳（メタデータ） (2022-10-14T03:43:05Z) - Edge Graph Neural Networks for Massive MIMO Detection [15.970981766599035]
無線通信システムにおいて、MIMO(Massive Multiple-Input Multiple-Out)検出は重要な問題である。
従来のBreief Propagation(BP)検出器はループグラフでは性能が良くないが、最近のグラフニューラルネットワーク(GNN)ベースの手法はBPの欠点を克服し、優れた性能を実現することができる。
論文 参考訳（メタデータ） (2022-05-22T08:01:47Z) - ReGVD: Revisiting Graph Neural Networks for Vulnerability Detection [20.65271290295621]
本稿では,脆弱性検出のためのグラフネットワークモデルReGVDを提案する。
特にReGVDは、あるソースコードをフラットなトークンのシーケンスと見なしている。
我々は、脆弱性検出のためのCodeXGLUEから、実世界のベンチマークデータセット上で最も高い精度を得る。
論文 参考訳（メタデータ） (2021-10-14T12:44:38Z) - Probabilistic Graph Attention Network with Conditional Kernels for
Pixel-Wise Prediction [158.88345945211185]
本稿では,画素レベルの予測を基本的側面,すなわち,技術の現状を推し進める新たなアプローチを提案する。
構造化されたマルチスケール機能学習と融合。
本論文では,マルチスケール表現を原理的に学習・融合するための新しいアテンテンションゲート条件ランダムフィールド(AG-CRFs)モデルに基づく確率的グラフアテンションネットワーク構造を提案する。
論文 参考訳（メタデータ） (2021-01-08T04:14:29Z) - Binary Graph Neural Networks [69.51765073772226]
グラフニューラルネットワーク(gnns)は、不規則データに対する表現学習のための強力で柔軟なフレームワークとして登場した。
本稿では,グラフニューラルネットワークのバイナライゼーションのための異なる戦略を提示し,評価する。
モデルの慎重な設計とトレーニングプロセスの制御によって、バイナリグラフニューラルネットワークは、挑戦的なベンチマークの精度において、適度なコストでトレーニングできることを示しています。
論文 参考訳（メタデータ） (2020-12-31T18:48:58Z) - Spatio-Temporal Inception Graph Convolutional Networks for
Skeleton-Based Action Recognition [126.51241919472356]
我々はスケルトンに基づく行動認識のためのシンプルで高度にモジュール化されたグラフ畳み込みネットワークアーキテクチャを設計する。
ネットワークは,空間的および時間的経路から多粒度情報を集約するビルディングブロックを繰り返すことで構築される。
論文 参考訳（メタデータ） (2020-11-26T14:43:04Z) - Binarized Graph Neural Network [65.20589262811677]
我々は二項化グラフニューラルネットワークを開発し、二項化ネットワークパラメータを用いてノードのバイナリ表現を学習する。
提案手法は既存のGNNベースの埋め込み手法にシームレスに統合できる。
実験により、提案された二項化グラフニューラルネットワーク、すなわちBGNは、時間と空間の両方の観点から、桁違いに効率的であることが示されている。
論文 参考訳（メタデータ） (2020-04-19T09:43:14Z) - HyNNA: Improved Performance for Neuromorphic Vision Sensor based
Surveillance using Hybrid Neural Network Architecture [7.293414498855147]
領域提案のための形態素画像処理アルゴリズムを用いて,最近提案されたハイブリッドイベントフレームアプローチを改善した。
また、様々な畳み込みニューラルネットワーク(CNN)アーキテクチャを探索することにより、オブジェクト検出と分類の低消費電力要求にも対処する。
具体的には、対象検出フレームワークから得られた結果を最先端の低出力NVS監視システムと比較し、63.1%から82.16%の改善精度を示した。
論文 参考訳（メタデータ） (2020-03-19T07:18:33Z) - Analyzing Neural Networks Based on Random Graphs [77.34726150561087]
様々なタイプのランダムグラフに対応するアーキテクチャを用いて,ニューラルネットワークの大規模評価を行う。
古典的な数値グラフ不変量は、それ自体が最良のネットワークを選び出すことができない。
また、主に短距離接続を持つネットワークは、多くの長距離接続が可能なネットワークよりも性能が良いことも見出した。
論文 参考訳（メタデータ） (2020-02-19T11:04:49Z)
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。