論文の概要: Joint Learning of Hierarchical Community Structure and Node
Representations: An Unsupervised Approach
- arxiv url: http://arxiv.org/abs/2201.09086v1
- Date: Sat, 22 Jan 2022 15:48:10 GMT
- ステータス: 処理完了
- システム内更新日: 2022-01-25 17:12:52.224697
- Title: Joint Learning of Hierarchical Community Structure and Node
Representations: An Unsupervised Approach
- Title（参考訳）: 階層型コミュニティ構造の合同学習とノード表現:教師なしアプローチ
- Authors: Ancy Sarah Tom, Nesreen K. Ahmed, and George Karypis
- Abstract要約: 本稿では,階層的なコミュニティ構造とグラフのノード表現を教師なしで共同で学習するアルゴリズムであるMaziを紹介する。
本手法は,多種多様な合成および実世界のグラフ上で評価し,Maziが他の階層的および非階層的手法より優れていることを示す。
- 参考スコア（独自算出の注目度）: 15.379817564640712
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Graph representation learning has demonstrated improved performance in tasks
such as link prediction and node classification across a range of domains.
Research has shown that many natural graphs can be organized in hierarchical
communities, leading to approaches that use these communities to improve the
quality of node representations. However, these approaches do not take
advantage of the learned representations to also improve the quality of the
discovered communities and establish an iterative and joint optimization of
representation learning and community discovery. In this work, we present Mazi,
an algorithm that jointly learns the hierarchical community structure and the
node representations of the graph in an unsupervised fashion. To account for
the structure in the node representations, Mazi generates node representations
at each level of the hierarchy, and utilizes them to influence the node
representations of the original graph. Further, the communities at each level
are discovered by simultaneously maximizing the modularity metric and
minimizing the distance between the representations of a node and its
community. Using multi-label node classification and link prediction tasks, we
evaluate our method on a variety of synthetic and real-world graphs and
demonstrate that Mazi outperforms other hierarchical and non-hierarchical
methods.
- Abstract（参考訳）: グラフ表現学習は、リンク予測やさまざまなドメインにわたるノード分類といったタスクのパフォーマンス向上を実証した。
研究により、多くの自然グラフが階層的なコミュニティで組織化可能であることが示され、これらのコミュニティを使ってノード表現の質を向上させるアプローチが導かれる。
しかし,これらの手法は,発見コミュニティの品質向上や,表現学習とコミュニティ発見の反復的,共同的な最適化を確立するために,学習表現を活用しない。
本研究では,階層的なコミュニティ構造とグラフのノード表現を教師なしで共同で学習するアルゴリズムであるMaziを紹介する。
ノード表現の構造を説明するために、Maziは階層の各レベルでノード表現を生成し、それらを元のグラフのノード表現に影響を与えるために利用する。
さらに、モジュラリティ計量を最大化し、ノードとそのコミュニティの表現間の距離を最小化することにより、各レベルのコミュニティが発見される。
マルチラベルノード分類とリンク予測タスクを用いて,様々な合成および実世界のグラフ上での手法の評価を行い,Maziが他の階層的および非階層的手法より優れていることを示す。
関連論文リスト
- Cost-Effective Community-Hierarchy-Based Mutual Voting Approach for Influence Maximization in Complex Networks [54.366995393644586]
実世界は通常、影響のあるノード識別の時間と精度のバランスに高い要求がある。
本稿では,複雑ネットワークに影響を及ぼすためのコスト効果型コミュニティ階層型相互投票方式を提案する。
提案手法は、時間複雑性と影響ノード同定の精度のバランスに関する16の最先端技術より優れている。
論文 参考訳（メタデータ） (2024-09-21T06:32:28Z) - Differential Encoding for Improved Representation Learning over Graphs [15.791455338513815]
メッセージパッシングパラダイムとグローバルアテンションメカニズムは、基本的にノードの埋め込みを生成する。
支配的な情報がノード自身からなのか、あるいはノードの隣人からなのかは不明だ。
本稿では,失った情報の問題に対処する差分符号化手法を提案する。
論文 参考訳（メタデータ） (2024-07-03T02:23:33Z) - 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) - 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) - Graph Embedding with Hierarchical Attentive Membership [35.998704625736394]
ノードの潜在階層的なグループ化は、各ノードが特定のグループへのメンバシップを示す大局的な視点に存在する。
ほとんどの先行研究は、近傍構造をモデル化する際、そのような潜伏群と異なる群へのノードのメンバシップを無視する。
グラフ埋め込みのための新しい階層型注意型メンバシップモデルを提案し,各ノードの潜在メンバシップをその隣接状況に基づいて動的に発見する。
論文 参考訳（メタデータ） (2021-10-31T22:00:48Z) - HeMI: Multi-view Embedding in Heterogeneous Graphs [8.87527266373087]
不均一グラフ(HG)の表現学習は、そのようなグラフの豊富な構造と意味を低次元空間に埋め込む。
本稿では,HGの構造的セマンティクス間の知識交換と発見に依存して,HG表現を学習する自己教師型手法を提案する。
提案手法は,全タスクにおいて1%,最大10%の効率で性能が向上し,競合手法の改善が図られている。
論文 参考訳（メタデータ） (2021-09-14T23:04:42Z) - Reinforced Neighborhood Selection Guided Multi-Relational Graph Neural
Networks [68.9026534589483]
RioGNNはReinforceed, recursive, flexible neighborhood selection guided multi-relational Graph Neural Network architectureである。
RioGNNは、各関係の個々の重要性の認識により、説明性を高めた差別的なノード埋め込みを学ぶことができる。
論文 参考訳（メタデータ） (2021-04-16T04:30:06Z) - CommPOOL: An Interpretable Graph Pooling Framework for Hierarchical
Graph Representation Learning [74.90535111881358]
新しい解釈可能なグラフプーリングフレームワークである CommPOOL を提案します。
グラフ表現学習プロセスにおいて、グラフの階層的なコミュニティ構造をキャプチャし、保存することができる。
CommPOOLは階層グラフ表現学習のための汎用的で柔軟なフレームワークです。
論文 参考訳（メタデータ） (2020-12-10T21:14:18Z) - Graph InfoClust: Leveraging cluster-level node information for
unsupervised graph representation learning [12.592903558338444]
本稿では,グラフ InfoClust というグラフ表現学習手法を提案する。
同社はさらに、クラスタレベルの情報コンテンツをキャプチャしようとしている。
この最適化により、ノード表現はよりリッチな情報とノイズ相互作用をキャプチャし、それによって品質が向上する。
論文 参考訳（メタデータ） (2020-09-15T09:33:20Z) - Unsupervised Hierarchical Graph Representation Learning by Mutual
Information Maximization [8.14036521415919]
教師なしグラフ表現学習法,Unsupervised Hierarchical Graph Representation (UHGR)を提案する。
本手法は,「ローカル」表現と「グローバル」表現の相互情報の最大化に焦点をあてる。
その結果,提案手法は,いくつかのベンチマークにおいて,最先端の教師付き手法に匹敵する結果が得られることがわかった。
論文 参考訳（メタデータ） (2020-03-18T18:21:48Z) - Graph Inference Learning for Semi-supervised Classification [50.55765399527556]
半教師付きノード分類の性能を高めるためのグラフ推論学習フレームワークを提案する。
推論過程の学習には,トレーニングノードから検証ノードへの構造関係のメタ最適化を導入する。
4つのベンチマークデータセットの総合的な評価は、最先端の手法と比較して提案したGILの優位性を示している。
論文 参考訳（メタデータ） (2020-01-17T02:52:30Z)
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。