論文の概要: Learning Asymmetric Embedding for Attributed Networks via Convolutional Neural Network

• arxiv url: http://arxiv.org/abs/2202.06307v1
• Date: Sun, 13 Feb 2022 13:35:15 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-15 18:12:53.698713
• Title: Learning Asymmetric Embedding for Attributed Networks via Convolutional Neural Network
• Title（参考訳）: 畳み込みニューラルネットワークによる分散ネットワークの非対称埋め込み学習
• Authors: Mohammadreza Radmanesh, Hossein Ghorbanzadeh, Ahmad Asgharian Rezaei, Mahdi Jalili, Xinghuo Yu
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 19.611523749659355
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Recently network embedding has gained increasing attention due to its advantages in facilitating network computation tasks such as link prediction, node classification and node clustering. The objective of network embedding is to represent network nodes in a low-dimensional vector space while retaining as much information as possible from the original network including structural, relational, and semantic information. However, asymmetric nature of directed networks poses many challenges as how to best preserve edge directions in the embedding process. Here, we propose a novel deep asymmetric attributed network embedding model based on convolutional graph neural network, called AAGCN. The main idea is to maximally preserve the asymmetric proximity and asymmetric similarity of directed attributed networks. AAGCN introduces two neighbourhood feature aggregation schemes to separately aggregate the features of a node with the features of its in- and out- neighbours. Then, it learns two embedding vectors for each node, one source embedding vector and one target embedding vector. The final representations are the results of concatenating source and target embedding vectors. We test the performance of AAGCN on three real-world networks for network reconstruction, link prediction, node classification and visualization tasks. The experimental results show the superiority of AAGCN against state-of-the-art embedding methods.
• Abstract（参考訳）: 近年,リンク予測やノード分類,ノードクラスタリングといったネットワーク計算作業の容易化というメリットから,ネットワーク組込みが注目されている。 ネットワーク埋め込みの目的は、構造、リレーショナル、セマンティック情報を含む元のネットワークから可能な限り多くの情報を保持しながら、低次元ベクトル空間におけるネットワークノードを表現することである。 しかし、有向ネットワークの非対称性は、埋め込みプロセスにおけるエッジ方向の最良の保存方法として多くの課題をもたらす。 本稿では,畳み込みグラフニューラルネットワークに基づく,aagcnと呼ばれる新しい深部非対称ネットワーク埋め込みモデルを提案する。 主なアイデアは、有向帰属ネットワークの非対称な近接性と非対称な類似性を最大に保存することである。 AAGCNは、2つの近傍特徴集約スキームを導入し、その近傍特徴と外部特徴を個別に集約する。 次に、各ノードに対する2つの埋め込みベクトル、1つのソース埋め込みベクトルと1つのターゲット埋め込みベクトルを学ぶ。 最後の表現は、ソースとターゲット埋め込みベクトルの連結の結果である。 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。 実験結果から, AAGCNの組込み技術に対する優位性を示した。

関連論文リスト

• GNN-LoFI: a Novel Graph Neural Network through Localized Feature-based Histogram Intersection [51.608147732998994]
  グラフニューラルネットワークは、グラフベースの機械学習の選択フレームワークになりつつある。 本稿では,古典的メッセージパッシングに代えて,ノード特徴の局所分布を解析するグラフニューラルネットワークアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2024-01-17T13:04:23Z)
• Domain-adaptive Message Passing Graph Neural Network [67.35534058138387]
  クロスネットワークノード分類(CNNC)は、豊富なラベルを持つソースネットワークから知識を転送することで、ラベル不足のターゲットネットワーク内のノードを分類することを目的としている。 本稿では,グラフニューラルネットワーク(GNN)と条件付き対向ドメイン適応を統合したドメイン適応型メッセージパッシンググラフニューラルネットワーク(DM-GNN)を提案する。
  論文  参考訳（メタデータ） (2023-08-31T05:26:08Z)
• 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)
• The Influence of Network Structural Preference on Node Classification and Link Prediction [0.0]
  本研究は,新しい機能抽象化手法,すなわちTransition Probabilities Matrix (TPM)を導入する。 提案手法は,3つの実世界のネットワーク上でノード識別・分類・リンク予測を行った。
  論文  参考訳（メタデータ） (2022-08-07T12:56:28Z)
• Link Prediction with Contextualized Self-Supervision [63.25455976593081]
  リンク予測は、ネットワーク内の2つのノード間のリンクの存在を推測することを目的としている。 従来のリンク予測アルゴリズムは、リンク空間、ノード属性ノイズ、ネットワークダイナミクスという3つの大きな課題によって妨げられている。 本稿では,リンク予測のための構造的コンテキスト予測を完全に活用する,コンテキスト適応型自己監視学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-01-25T03:12:32Z)
• Dynamic Graph: Learning Instance-aware Connectivity for Neural Networks [78.65792427542672]
  動的グラフネットワーク(DG-Net)は完全な有向非巡回グラフであり、ノードは畳み込みブロックを表し、エッジは接続経路を表す。 ネットワークの同じパスを使用する代わりに、DG-Netは各ノードの機能を動的に集約する。
  論文  参考訳（メタデータ） (2020-10-02T16:50:26Z)
• Decoupled Variational Embedding for Signed Directed Networks [39.3449157396596]
  我々は,符号付き有向ネットワークにおける一階・高階トポロジを同時にキャプチャすることで,より代表的なノード埋め込みを学習することを提案する。 特に、可変自動符号化の観点から、符号付き有向ネットワーク上での表現学習問題を再構成する。 広範に使われている3つの実世界のデータセットに対して大規模な実験を行う。
  論文  参考訳（メタデータ） (2020-08-28T02:48:15Z)
• 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)
• 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)
• Adversarial Deep Network Embedding for Cross-network Node Classification [27.777464531860325]
  クロスネットワークノード分類は、ソースネットワークからの豊富なラベル付きノードを活用し、ターゲットネットワーク内のラベルなしノードの分類を支援する。 本稿では, 対向ドメイン適応とディープネットワーク埋め込みを統合するための, 対向クロスネットワークディープネットワーク埋め込みモデルを提案する。 提案したACDNEモデルは,ネットワーク間ノード分類における最先端性能を実現する。
  論文  参考訳（メタデータ） (2020-02-18T04:30:43Z)

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。