論文の概要: Network-based link prediction of scientific concepts -- a Science4Cast
competition entry
- arxiv url: http://arxiv.org/abs/2201.07978v1
- Date: Tue, 18 Jan 2022 08:57:38 GMT
- ステータス: 処理完了
- システム内更新日: 2022-01-21 14:59:11.180895
- Title: Network-based link prediction of scientific concepts -- a Science4Cast
competition entry
- Title（参考訳）: ネットワークによる科学概念のリンク予測 - science4cast のコンペティション
- Authors: Joao P. Moutinho, Bruno Coutinho, Lorenzo Buffoni
- Abstract要約: ネットワークは高次ノードのリンクを強く好んでおり、新しい科学的なつながりが主に一般的な概念の間で作られることを示している。
より古いリンクと新しいリンクの両方が予測に高い影響を与えている時間重み付き隣接行列を考慮し、モデルをさらに改善できることを示す。
- 参考スコア（独自算出の注目度）: 5.8010446129208155
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We report on a model built to predict links in a complex network of
scientific concepts, in the context of the Science4Cast 2021 competition. We
show that the network heavily favours linking nodes of high degree, indicating
that new scientific connections are primarily made between popular concepts,
which constitutes the main feature of our model. Besides this notion of
popularity, we use a measure of similarity between nodes quantified by a
normalized count of their common neighbours to improve the model. Finally, we
show that the model can be further improved by considering a time-weighted
adjacency matrix with both older and newer links having higher impact in the
predictions, representing rooted concepts and state of the art research,
respectively.
- Abstract（参考訳）: 我々は,Science4Cast 2021のコンペティションにおいて,複雑な科学概念のネットワークにおけるリンクを予測するモデルについて報告する。
ネットワークは高次ノードのリンクを強く好んでおり、このモデルの主な特徴である一般的な概念間の新しい科学的なつながりが主に形成されていることを示す。
この人気概念の他に、共通の隣人の正規化数によって定量化されたノード間の類似度尺度を用いてモデルを改善する。
最後に,より古いリンクと新しいリンクの両方が予測に影響を及ぼす時間重み付き隣接行列を考慮し,それぞれルート化された概念と美術研究の状況を表現することにより,モデルをさらに改善できることを示す。
関連論文リスト
- Temporal Link Prediction Using Graph Embedding Dynamics [0.0]
動的ネットワークにおける時間的リンク予測は、複雑な科学的および現実世界の問題を解く可能性から特に関心がある。
時間的リンク予測への伝統的なアプローチは、ネットワークのダイナミックスの集約を統一的な出力として見つけることに集中してきた。
本稿では,ノードをニュートンオブジェクトとして定義し,ネットワークダイナミクスの予測に速度の概念を取り入れることで,時間的リンク予測の新しい視点を提案する。
論文 参考訳（メタデータ） (2024-01-15T07:35:29Z) - A Community Detection and Graph Neural Network Based Link Prediction
Approach for Scientific Literature [3.682824797265354]
本研究では,様々なグラフニューラルネットワーク(GNN)モデルとコミュニティ検出アルゴリズムを併用して,学術文献ネットワークにおけるリンク予測を促進する手法を提案する。
Louvainコミュニティ検出アルゴリズムをGNNフレームワークに統合することで、テスト対象の全モデルのパフォーマンスを継続的に向上します。
本研究は,ネットワーク科学モデルの予測精度向上に向けた重要な一歩として,コミュニティ構造の統合を提唱する。
論文 参考訳（メタデータ） (2024-01-04T21:14:10Z) - A parameterised model for link prediction using node centrality and
similarity measure based on graph embedding [5.507008181141738]
リンク予測は、グラフ機械学習の重要な側面である。
ネットワークノード間で形成される可能性のある新しいリンクを予測する必要がある。
既存のモデルには重大な欠点がある。
ノードの集中度と類似度をベースとしています。
Model (NCSM) - リンク予測タスクの新しい方法。
論文 参考訳（メタデータ） (2023-09-11T13:13:54Z) - Newton-Cotes Graph Neural Networks: On the Time Evolution of Dynamic
Systems [49.50674348130157]
本稿では,ニュートン・コーツの公式を用いた速度推定に基づく積分の予測手法を提案する。
いくつかのベンチマークの実験は、最先端の手法と比較して、一貫性と顕著な改善を実証的に示している。
論文 参考訳（メタデータ） (2023-05-24T02:23:00Z) - Bias in Pruned Vision Models: In-Depth Analysis and Countermeasures [93.17009514112702]
ニューラルネットワークのパラメータのかなりの部分集合をゼロに設定するプルーニングは、モデル圧縮の最も一般的な方法の1つである。
この現象の既存の証拠にもかかわらず、ニューラルネットワークのプルーニングと誘導バイアスの関係はよく理解されていない。
論文 参考訳（メタデータ） (2023-04-25T07:42:06Z) - A Framework for Demonstrating Practical Quantum Advantage: Racing
Quantum against Classical Generative Models [62.997667081978825]
生成モデルの一般化性能を評価するためのフレームワークを構築した。
古典的および量子生成モデル間の実用的量子優位性(PQA)に対する最初の比較レースを確立する。
以上の結果から,QCBMは,他の最先端の古典的生成モデルよりも,データ制限方式の方が効率的であることが示唆された。
論文 参考訳（メタデータ） (2023-03-27T22:48:28Z) - BScNets: Block Simplicial Complex Neural Networks [79.81654213581977]
グラフ学習における最新の方向性として、SNN(Simplicial Neural Network)が最近登場した。
リンク予測のためのBlock Simplicial Complex Neural Networks (BScNets) モデルを提案する。
BScNetsは、コストを抑えながら最先端のモデルよりも大きなマージンを保っている。
論文 参考訳（メタデータ） (2021-12-13T17:35:54Z) - High-order joint embedding for multi-level link prediction [2.4366811507669124]
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。
論文 参考訳（メタデータ） (2021-11-07T05:22:54Z) - TCL: Transformer-based Dynamic Graph Modelling via Contrastive Learning [87.38675639186405]
我々は,動的に進化するグラフを連続的に扱う,TCLと呼ばれる新しいグラフニューラルネットワークアプローチを提案する。
我々の知る限りでは、これは動的グラフ上の表現学習にコントラスト学習を適用する最初の試みである。
論文 参考訳（メタデータ） (2021-05-17T15:33:25Z) - 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)
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。