論文の概要: Bandit Sampling for Multiplex Networks
- arxiv url: http://arxiv.org/abs/2202.03621v1
- Date: Tue, 8 Feb 2022 03:26:34 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-09 15:24:02.572873
- Title: Bandit Sampling for Multiplex Networks
- Title（参考訳）: 多重ネットワークのための帯域サンプリング
- Authors: Cenk Baykal, Vamsi K. Potluru, Sameena Shah, Manuela M. Veloso
- Abstract要約: 多数のレイヤを持つ多重ネットワーク上でのスケーラブルな学習アルゴリズムを提案する。
オンライン学習アルゴリズムは、トレーニング中に関連する情報を持つレイヤのみを集約するように、関連する隣のレイヤをサンプリングする方法を学ぶ。
合成シナリオと実世界のシナリオの両方に関する実験結果を示す。
- 参考スコア（独自算出の注目度）: 8.771092194928674
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Graph neural networks have gained prominence due to their excellent
performance in many classification and prediction tasks. In particular, they
are used for node classification and link prediction which have a wide range of
applications in social networks, biomedical data sets, and financial
transaction graphs. Most of the existing work focuses primarily on the monoplex
setting where we have access to a network with only a single type of connection
between entities. However, in the multiplex setting, where there are multiple
types of connections, or \emph{layers}, between entities, performance on tasks
such as link prediction has been shown to be stronger when information from
other connection types is taken into account. We propose an algorithm for
scalable learning on multiplex networks with a large number of layers. The
efficiency of our method is enabled by an online learning algorithm that learns
how to sample relevant neighboring layers so that only the layers with relevant
information are aggregated during training. This sampling differs from prior
work, such as MNE, which aggregates information across \emph{all} layers and
consequently leads to computational intractability on large networks. Our
approach also improves on the recent layer sampling method of \textsc{DeePlex}
in that the unsampled layers do not need to be trained, enabling further
increases in efficiency.We present experimental results on both synthetic and
real-world scenarios that demonstrate the practical effectiveness of our
proposed approach.
- Abstract（参考訳）: グラフニューラルネットワークは、多くの分類や予測タスクで優れた性能を発揮したことで、注目を集めている。
特に、ソーシャルネットワーク、生物医学データセット、金融取引グラフに広く応用されているノード分類やリンク予測に使われている。
既存の作業の大部分は、エンティティ間の単一のタイプの接続しか持たないネットワークにアクセス可能なモノプレックス設定に重点を置いています。
しかし、複数の種類の接続がある多重化設定や、エンティティ間の \emph{layers} では、リンク予測のようなタスクのパフォーマンスは、他のコネクションタイプからの情報を考慮した場合より強くなることが示されている。
本稿では,多数の層を有する多重ネットワーク上でスケーラブルな学習を行うアルゴリズムを提案する。
提案手法の効率性は,オンライン学習アルゴリズムによって実現され,学習中に関連する情報を持つ層のみが集約されるように,隣接層をサンプリングする方法を学習する。
このサンプリングは、例えばMNEのような以前の作業と異なり、これは \emph{all} 層にまたがる情報を集約し、その結果、大きなネットワーク上での計算的インタラクタビリティをもたらす。
提案手法は,非サンプリング層を訓練する必要がなく,さらに効率が向上し,提案手法の実用性を示す人工的シナリオと実世界のシナリオの両方について実験結果を示すことにより,近年の \textsc{deeplex} の層サンプリング手法を改良した。
関連論文リスト
- Multi-view Multi-label Anomaly Network Traffic Classification based on
MLP-Mixer Neural Network [55.21501819988941]
畳み込みニューラルネットワーク(CNN)に基づく既存のネットワークトラフィック分類は、グローバルな情報関連を無視しながら、トラフィックデータの局所的なパターンを強調することが多い。
本稿では,エンドツーエンドのネットワークトラフィック分類手法を提案する。
論文 参考訳（メタデータ） (2022-10-30T01:52:05Z) - Sparse Interaction Additive Networks via Feature Interaction Detection
and Sparse Selection [10.191597755296163]
我々は,必要な特徴の組み合わせを効率的に識別する,抽出可能な選択アルゴリズムを開発した。
提案するスパース・インタラクション・アダプティブ・ネットワーク(SIAN)は,単純かつ解釈可能なモデルから完全に接続されたニューラルネットワークへのブリッジを構築する。
論文 参考訳（メタデータ） (2022-09-19T19:57:17Z) - Learn Layer-wise Connections in Graph Neural Networks [12.363386808994079]
GNNにおける中間層間の適応的な接続を学習するためのニューラルネットワーク探索(NAS)に基づくフレームワーク LLC(Learn Layer-wise Connections)を提案する。
LLCには、3種類のブロックと学習可能な接続からなる新しい検索空間と、効率的な検索プロセスを実現するための1つの識別可能な検索アルゴリズムが含まれている。
実世界の5つのデータセットに対する大規模な実験を行い、その結果、探索されたレイヤワイズ接続は性能を向上するだけでなく、過度なスムーシング問題を軽減できることを示した。
論文 参考訳（メタデータ） (2021-12-27T09:33:22Z) - Routing with Self-Attention for Multimodal Capsule Networks [108.85007719132618]
我々は,カプセルの強度をマルチモーダル学習フレームワークの文脈で活用できる,新しいマルチモーダルカプセルネットワークを提案する。
カプセルを大規模入力データに適応させるために, カプセルを選択する自己保持機構による新たなルーティングを提案する。
これにより、ノイズの多いビデオデータによる堅牢なトレーニングだけでなく、従来のルーティング方法と比較してカプセルネットワークのサイズを拡大することが可能になる。
論文 参考訳（メタデータ） (2021-12-01T19:01:26Z) - On the Effectiveness of Neural Ensembles for Image Classification with
Small Datasets [2.3478438171452014]
本稿では,クラスごとのラベル付き例数件による画像分類問題に着目し,比較的小さなネットワークのアンサンブルを用いてデータ効率を向上させる。
比較的浅いネットワークをアンサンブルすることは、小さなデータセットから学ぶための現在の最先端のアプローチよりも一般的に優れている、単純だが効果的な手法であることを示す。
論文 参考訳（メタデータ） (2021-11-29T12:34:49Z) - Unsupervised Domain-adaptive Hash for Networks [81.49184987430333]
ドメイン適応型ハッシュ学習はコンピュータビジョンコミュニティでかなりの成功を収めた。
UDAHと呼ばれるネットワークのための教師なしドメイン適応型ハッシュ学習手法を開発した。
論文 参考訳（メタデータ） (2021-08-20T12:09:38Z) - 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) - Task-Adaptive Neural Network Retrieval with Meta-Contrastive Learning [34.27089256930098]
本稿では,与えられたタスクに対して最適な事前学習ネットワークを検索するニューラルネットワーク検索手法を提案する。
データセットとネットワークとの類似性を最大化するために、コントラスト損失を伴うクロスモーダルな潜在空間をメタラーニングすることによって、このフレームワークを訓練する。
提案手法の有効性を,既存のNASベースラインに対して10個の実世界のデータセット上で検証する。
論文 参考訳（メタデータ） (2021-03-02T06:30:51Z) - Fewer is More: A Deep Graph Metric Learning Perspective Using Fewer
Proxies [65.92826041406802]
本稿では,グラフ分類の観点から,プロキシベースのディープグラフメトリックラーニング手法を提案する。
複数のグローバルプロキシを利用して、各クラスの元のデータポイントを総括的に近似する。
本研究では, 近接関係を接地トラス・ラベルに従って調整する, 新たな逆ラベル伝搬アルゴリズムを設計する。
論文 参考訳（メタデータ） (2020-10-26T14:52:42Z) - Fitting the Search Space of Weight-sharing NAS with Graph Convolutional
Networks [100.14670789581811]
サンプルサブネットワークの性能に適合するグラフ畳み込みネットワークを訓練する。
この戦略により、選択された候補集合において、より高いランク相関係数が得られる。
論文 参考訳（メタデータ） (2020-04-17T19:12:39Z)
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。