論文の概要: On the Power of Gradual Network Alignment Using Dual-Perception Similarities

• arxiv url: http://arxiv.org/abs/2201.10945v2
• Date: Sun, 13 Aug 2023 18:00:10 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-15 23:47:44.320400
• Title: On the Power of Gradual Network Alignment Using Dual-Perception Similarities
• Title（参考訳）: 双知覚類似性を用いた直交ネットワークアライメントのパワーについて
• Authors: Jin-Duk Park, Cong Tran, Won-Yong Shin, Xin Cao
• Abstract要約: ネットワークアライメント(NA)は、ネットワーク構造とノード属性に基づいて、2つのネットワーク間のノードの対応を見つけるタスクである。 我々の研究は、既存のNA手法のほとんどが一度に全てのノード対を発見しようとしたため、ノード対応の暫定的な発見によって得られた情報を利用していないという事実に動機づけられている。 強い一貫性を示すノード対をフル活用することにより、ノード対を徐々に発見する新しいNA法であるGrad-Alignを提案する。
• 参考スコア（独自算出の注目度）: 14.779474659172923
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Network alignment (NA) is the task of finding the correspondence of nodes between two networks based on the network structure and node attributes. Our study is motivated by the fact that, since most of existing NA methods have attempted to discover all node pairs at once, they do not harness information enriched through interim discovery of node correspondences to more accurately find the next correspondences during the node matching. To tackle this challenge, we propose Grad-Align, a new NA method that gradually discovers node pairs by making full use of node pairs exhibiting strong consistency, which are easy to be discovered in the early stage of gradual matching. Specifically, Grad-Align first generates node embeddings of the two networks based on graph neural networks along with our layer-wise reconstruction loss, a loss built upon capturing the first-order and higher-order neighborhood structures. Then, nodes are gradually aligned by computing dual-perception similarity measures including the multi-layer embedding similarity as well as the Tversky similarity, an asymmetric set similarity using the Tversky index applicable to networks with different scales. Additionally, we incorporate an edge augmentation module into Grad-Align to reinforce the structural consistency. Through comprehensive experiments using real-world and synthetic datasets, we empirically demonstrate that Grad-Align consistently outperforms state-of-the-art NA methods.
• Abstract（参考訳）: ネットワークアライメント(NA)は、ネットワーク構造とノード属性に基づいて、2つのネットワーク間のノードの対応を見つけるタスクである。 本研究の動機は,既存のNA手法が全てのノード対を一度に発見しようとしたため,ノード対応の暫定的な発見によって得られた情報を利用して,ノードマッチング中の次の対応をより正確に見つけることにある。 この課題に対処するため,我々は,段階的マッチングの初期段階で容易に発見できる強い整合性を示すノードペアをフル活用することにより,ノードペアを徐々に発見する新しいNA手法であるGrad-Alignを提案する。 特に、Grad-Alignは、まずグラフニューラルネットワークに基づく2つのネットワークのノード埋め込みを生成する。 そして、複数層埋め込み類似度を含む二重知覚類似度と、異なるスケールのネットワークに適用可能なトベルスキー指数を用いた非対称集合類似度とを演算することにより、ノードを徐々に整列させる。 さらに,エッジ拡張モジュールをgrad-alignに組み込んで構造的一貫性を強化した。 実世界および合成データセットを用いた包括的実験により, grad-alignが最先端のna法を一貫して上回っていることを実証した。

関連論文リスト

• Degree-based stratification of nodes in Graph Neural Networks [66.17149106033126]
  グラフニューラルネットワーク(GNN)アーキテクチャを変更して,各グループのノードに対して,重み行列を個別に学習する。 このシンプルな実装変更により、データセットとGNNメソッドのパフォーマンスが改善されているようだ。
  論文  参考訳（メタデータ） (2023-12-16T14:09:23Z)
• Network Alignment with Transferable Graph Autoencoders [79.89704126746204]
  本稿では,強力で堅牢なノード埋め込みを抽出するグラフオートエンコーダアーキテクチャを提案する。 生成した埋め込みがグラフの固有値と固有ベクトルと結びついていることを証明する。 提案フレームワークは転送学習とデータ拡張を利用して,大規模なネットワークアライメントを実現する。
  論文  参考訳（メタデータ） (2023-10-05T02:58:29Z)
• Collaborative Graph Neural Networks for Attributed Network Embedding [63.39495932900291]
  グラフニューラルネットワーク(GNN)は、属性付きネットワーク埋め込みにおいて顕著な性能を示している。 本稿では,ネットワーク埋め込みに適したGNNアーキテクチャであるCulaborative graph Neural Networks-CONNを提案する。
  論文  参考訳（メタデータ） (2023-07-22T04:52:27Z)
• NODDLE: Node2vec based deep learning model for link prediction [0.0]
  我々はNODDLE(NOde2vec anD Deep Learning mEthodの統合)を提案する。 実験結果から, この手法は, 従来のソーシャル・ネットワーク・データセットの手法よりも優れた結果が得られることがわかった。
  論文  参考訳（メタデータ） (2023-05-25T18:43:52Z)
• Node Feature Augmentation Vitaminizes Network Alignment [13.52901288497192]
  ネットワークアライメント(NA)は、複数のネットワークにまたがるノード対応を発見するタスクである。 本稿では,最新のNA法であるGrad-Alignをベースとした新しいNA法であるGrad-Align+を提案する。 Grad-Align+は、1)ベースノード特徴増強(CNFA)、2)グラフニューラルネットワーク(GNN)支援埋め込み類似性計算、3)アライメントクロスネットワーク隣りペア(ACN)を用いた類似性計算による段階的NAである。
  論文  参考訳（メタデータ） (2023-04-25T11:59:19Z)
• Improved Convergence Guarantees for Shallow Neural Networks [91.3755431537592]
  勾配降下法により訓練された深度2ニューラルネットの収束度を世界最小とする。 我々のモデルには、二次損失関数による回帰、完全連結フィードフォワードアーキテクチャ、RelUアクティベーション、ガウスデータインスタンス、逆ラベルといった特徴がある。 彼らは、少なくとも我々のモデルでは、収束現象がNTK体制をはるかに超越していることを強く示唆している」。
  論文  参考訳（メタデータ） (2022-12-05T14:47:52Z)
• Grad-Align+: Empowering Gradual Network Alignment Using Attribute Augmentation [4.536868213405015]
  ネットワークアライメント(NA)は、異なるネットワークにまたがるノード対応を発見するタスクである。 ノード属性拡張を用いた新しいNA法であるGrad-Align+を提案する。 以上の結果から,Grad-Align+は(a)ベンチマークNA法よりも優れていること,(b)理論的な結果の実証的検証,(c)属性拡張モジュールの有効性を示す。
  論文  参考訳（メタデータ） (2022-08-23T15:12:12Z)
• Interpolation-based Correlation Reduction Network for Semi-Supervised Graph Learning [49.94816548023729]
  補間型相関低減ネットワーク(ICRN)と呼ばれる新しいグラフコントラスト学習手法を提案する。 提案手法では,決定境界のマージンを大きくすることで,潜在特徴の識別能力を向上させる。 この2つの設定を組み合わせることで、豊富なラベル付きノードと稀に価値あるラベル付きノードから豊富な監視情報を抽出し、離散表現学習を行う。
  論文  参考訳（メタデータ） (2022-06-06T14:26:34Z)
• Learning Asymmetric Embedding for Attributed Networks via Convolutional Neural Network [19.611523749659355]
  AAGCNと呼ばれる畳み込みグラフニューラルネットワークに基づく新しい非対称属性ネットワーク埋め込みモデルを提案する。 主な考え方は、有向属性ネットワークの非対称な近接性と非対称な類似性を極大に保存することである。 ネットワーク再構成,リンク予測,ノード分類,可視化タスクのための実世界の3つのネットワーク上でのAAGCNの性能を検証した。
  論文  参考訳（メタデータ） (2022-02-13T13:35:15Z)
• DINE: A Framework for Deep Incomplete Network Embedding [33.97952453310253]
  本稿では,ディープ不完全ネットワーク埋め込み,すなわちDINEを提案する。 まず、期待最大化フレームワークを用いて、部分的に観測可能なネットワーク内のノードとエッジの両方を含む欠落部分を完成させる。 マルチラベル分類およびリンク予測タスクにおいて,DINEを3つのネットワーク上で評価する。
  論文  参考訳（メタデータ） (2020-08-09T04:59:35Z)
• Revealing the Structure of Deep Neural Networks via Convex Duality [70.15611146583068]
  我々は,正規化深層ニューラルネットワーク(DNN)について検討し,隠蔽層の構造を特徴付ける凸解析フレームワークを導入する。 正規正規化学習問題に対する最適隠蔽層重みの集合が凸集合の極点として明確に見出されることを示す。 ホワイトデータを持つ深部ReLUネットワークに同じ特徴を応用し、同じ重み付けが成り立つことを示す。
  論文  参考訳（メタデータ） (2020-02-22T21:13:44Z)

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。