論文の概要: CenGCN: Centralized Convolutional Networks with Vertex Imbalance for Scale-Free Graphs

• arxiv url: http://arxiv.org/abs/2202.07826v1
• Date: Wed, 16 Feb 2022 02:18:16 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-18 01:24:44.855439
• Title: CenGCN: Centralized Convolutional Networks with Vertex Imbalance for Scale-Free Graphs
• Title（参考訳）: CenGCN: スケールフリーグラフのための頂点不均衡を伴う集中型畳み込みネットワーク
• Authors: Feng Xia, Lei Wang, Tao Tang, Xin Chen, Xiangjie Kong, Giles Oatley, Irwin King
• Abstract要約: 本稿では,情報の不平等に対処するため,CenGCNという新たな集中型フレームワークを提案する。 CenGCN_DとCenGCN_Eの2つの変種をそれぞれ,次数中心度と固有ベクトル中心度に基づいて提示する。 その結果、2つの変種は最先端のベースラインを著しく上回ることがわかった。
• 参考スコア（独自算出の注目度）: 38.427695265783726
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graph Convolutional Networks (GCNs) have achieved impressive performance in a wide variety of areas, attracting considerable attention. The core step of GCNs is the information-passing framework that considers all information from neighbors to the central vertex to be equally important. Such equal importance, however, is inadequate for scale-free networks, where hub vertices propagate more dominant information due to vertex imbalance. In this paper, we propose a novel centrality-based framework named CenGCN to address the inequality of information. This framework first quantifies the similarity between hub vertices and their neighbors by label propagation with hub vertices. Based on this similarity and centrality indices, the framework transforms the graph by increasing or decreasing the weights of edges connecting hub vertices and adding self-connections to vertices. In each non-output layer of the GCN, this framework uses a hub attention mechanism to assign new weights to connected non-hub vertices based on their common information with hub vertices. We present two variants CenGCN\_D and CenGCN\_E, based on degree centrality and eigenvector centrality, respectively. We also conduct comprehensive experiments, including vertex classification, link prediction, vertex clustering, and network visualization. The results demonstrate that the two variants significantly outperform state-of-the-art baselines.
• Abstract（参考訳）: Graph Convolutional Networks (GCNs) は様々な分野で優れたパフォーマンスを発揮しており、かなりの注目を集めている。 GCNsの中核となるステップは、隣人から中央頂点への全ての情報が等しく重要であると考える情報パスフレームワークである。 しかし、このような重要性は、ハブ頂点が頂点不均衡によりより支配的な情報を伝播するスケールフリーネットワークでは不十分である。 本稿では,情報の不平等に対処するため,CenGCNという新たな集中型フレームワークを提案する。 この枠組みはハブ頂点のラベル伝播によってハブ頂点とその近傍の類似性を最初に定量化する。 この類似性と中心性指数に基づいて、このフレームワークはハブ頂点を接続するエッジの重みを増減し、頂点に自己接続を加えることによってグラフを変換する。 GCNの各非出力層では、ハブアテンション機構を使用して、ハブ頂点との共通情報に基づいて接続された非ハブ頂点に新たな重み付けを割り当てる。 CenGCN\_D と CenGCN\_E はそれぞれ等級集中度と固有ベクトル中心度に基づく2つの変種を示す。 また,頂点分類,リンク予測,頂点クラスタリング,ネットワーク可視化などの包括的な実験を行う。 その結果、2つの変種は最先端のベースラインを著しく上回ることがわかった。

関連論文リスト

• Cluster-wise Graph Transformer with Dual-granularity Kernelized Attention [27.29964380651613]
  グラフを,各クラスタを1つの埋め込みに圧縮することなく,相互接続したノード集合のネットワークとして想定する。 これらのノード間の効果的な情報伝達を実現するために,ノード間クラスタアテンション(N2C-Attn)機構を提案する。 N2C-Attnがクエリとキーの2レベル特徴マップを組み合わせる方法を示し、二重粒度情報をマージする能力を示す。
  論文  参考訳（メタデータ） (2024-10-09T10:30:01Z)
• A multi-core periphery perspective: Ranking via relative centrality [4.33459568143131]
  コミュニティとコア周辺は、広く研究されている2つのグラフ構造である。 グラフのコア周辺構造がコミュニティ構造を理解することに与える影響は、十分に利用されていない。 我々は,各コミュニティが密接な連結部分(中核)を持ち,残りの部分(周辺部)が疎い,基底真理コミュニティを持つグラフのための小説を紹介する。
  論文  参考訳（メタデータ） (2024-06-06T20:21:27Z)
• Deep Contrastive Graph Learning with Clustering-Oriented Guidance [61.103996105756394]
  グラフ畳み込みネットワーク(GCN)は、グラフベースのクラスタリングを改善する上で大きな可能性を秘めている。 モデルはGCNを適用するために初期グラフを事前に推定する。 一般的なデータクラスタリングには,Deep Contrastive Graph Learning (DCGL)モデルが提案されている。
  論文  参考訳（メタデータ） (2024-02-25T07:03:37Z)
• Graph Spectral Embedding using the Geodesic Betweeness Centrality [76.27138343125985]
  本稿では、局所的な類似性、接続性、グローバル構造を教師なしで表現するグラフSylvester Embedding (GSE)を紹介する。 GSEはシルヴェスター方程式の解を用いて、ネットワーク構造と近傍の近接を1つの表現で捉える。
  論文  参考訳（メタデータ） (2022-05-07T04:11:23Z)
• A Modular Framework for Centrality and Clustering in Complex Networks [0.6423239719448168]
  本稿では,集中度とクラスタリングという2つの重要なネットワーク解析手法について検討する。 クラスタリングには情報フローベースのモデルが採用されている。 我々のクラスタリングは、エッジウェイトとノードの度合いの異なる解釈と相互作用と同様に、エッジ指向性に対応する柔軟性を自然に継承する。
  論文  参考訳（メタデータ） (2021-11-23T03:01:29Z)
• Feature Correlation Aggregation: on the Path to Better Graph Neural Networks [37.79964911718766]
  グラフニューラルネットワーク(GNN)が導入される以前、不規則なデータ、特にグラフのモデリングと解析は、ディープラーニングのアキレスのヒールであると考えられていた。 本稿では,GNNのコア操作に対して,極めて単純かつ無作為な修正を施した中央ノード置換変分関数を提案する。 モデルの具体的な性能向上は、モデルがより少ないパラメータを使用しながら、有意なマージンで過去の最先端結果を上回った場合に観察される。
  論文  参考訳（メタデータ） (2021-09-20T05:04:26Z)
• SPAGAN: Shortest Path Graph Attention Network [187.75441278910708]
  グラフ畳み込みネットワーク(GCN)は最近、グラフとして表現できる非グリッド構造データを分析する可能性を示した。 本研究では,SPAGAN (Shortest Path Graph Attention Network) と呼ばれる新しいGCNモデルを提案する。
  論文  参考訳（メタデータ） (2021-01-10T03:18:34Z)
• Learning to Cluster Faces via Confidence and Connectivity Estimation [136.5291151775236]
  重複する部分グラフを多数必要とせず,完全に学習可能なクラスタリングフレームワークを提案する。 提案手法はクラスタリングの精度を大幅に向上させ,その上で訓練した認識モデルの性能を向上させるが,既存の教師付き手法に比べて桁違いに効率的である。
  論文  参考訳（メタデータ） (2020-04-01T13:39:37Z)
• An Uncoupled Training Architecture for Large Graph Learning [20.784230322205232]
  グラフデータをグリッドライクなデータに埋め込むための、柔軟なアンカップリングトレーニングフレームワークであるNode2Gridsを紹介します。 各ノードの影響を次々にランク付けすることで、Node2Gridsは最も影響力のある1階と、中央ノードの融合情報を持つ2階の隣人を選択する。 下流タスクの効率をさらに向上するために、単純なCNNベースのニューラルネットワークを使用して、マッピングされたグリッドのようなデータから重要な情報をキャプチャする。
  論文  参考訳（メタデータ） (2020-03-21T11:49:16Z)
• Unifying Graph Convolutional Neural Networks and Label Propagation [73.82013612939507]
  LPAとGCNの関係を特徴・ラベルの平滑化と特徴・ラベルの影響の2点の観点から検討した。 理論解析に基づいて,ノード分類のためのGCNとLCAを統一するエンドツーエンドモデルを提案する。 我々のモデルは、既存の特徴に基づく注目モデルよりもタスク指向のノードラベルに基づく学習注意重みと見なすこともできる。
  論文  参考訳（メタデータ） (2020-02-17T03:23:13Z)

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。