Fugu-MT 論文翻訳(概要): Deep Partial Multiplex Network Embedding

論文の概要: Deep Partial Multiplex Network Embedding

arxiv url: http://arxiv.org/abs/2203.02656v1
Date: Sat, 5 Mar 2022 04:46:44 GMT
ステータス: 処理完了
システム内更新日: 2022-03-08 18:41:59.907450
Title: Deep Partial Multiplex Network Embedding
Title（参考訳）: 深部部分多重ネットワーク埋め込み
Authors: Qifan Wang, Yi Fang, Anirudh Ravula, Ruining He, Bin Shen, Jingang Wang, Xiaojun Quan, Dongfang Liu
Abstract要約: 不完全なデータを扱うための新しいDeep partial Multiplex Network Embeddingアプローチを提案する。特に、自己エンコーダニューラルネットワークによる深部再構成損失を最小化することにより、ネットワーク埋め込みを学習する。 4つの多重ベンチマークの実験は、いくつかの最先端手法よりも提案手法の優れた性能を示す。
参考スコア（独自算出の注目度）: 31.38701393977151
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Network embedding is an effective technique to learn the low-dimensional representations of nodes in networks. Real-world networks are usually with multiplex or having multi-view representations from different relations. Recently, there has been increasing interest in network embedding on multiplex data. However, most existing multiplex approaches assume that the data is complete in all views. But in real applications, it is often the case that each view suffers from the missing of some data and therefore results in partial multiplex data. In this paper, we present a novel Deep Partial Multiplex Network Embedding approach to deal with incomplete data. In particular, the network embeddings are learned by simultaneously minimizing the deep reconstruction loss with the autoencoder neural network, enforcing the data consistency across views via common latent subspace learning, and preserving the data topological structure within the same network through graph Laplacian. We further prove the orthogonal invariant property of the learned embeddings and connect our approach with the binary embedding techniques. Experiments on four multiplex benchmarks demonstrate the superior performance of the proposed approach over several state-of-the-art methods on node classification, link prediction and clustering tasks.
Abstract（参考訳）: ネットワーク埋め込みは、ネットワーク内のノードの低次元表現を学ぶ効果的な手法である。現実世界のネットワークは通常、多重化や異なる関係のマルチビュー表現を持つ。近年,多重データへのネットワーク埋め込みへの関心が高まっている。しかしながら、既存のmultiplexアプローチの多くは、データがすべてのビューで完結していると仮定している。しかし、実際のアプリケーションでは、各ビューがデータ欠落に苦しんでいる場合が多く、結果として部分多重データが発生する。本稿では,不完全データを扱うための新しいDeep partial Multiplex Network Embedding手法を提案する。特に、オートエンコーダニューラルネットワークによるディープリコンストラクション損失の最小化と、共通の潜在部分空間学習によるビュー間のデータ一貫性の強化、グラフラプラシアンによる同一ネットワーク内のデータトポロジ構造保持を同時に行うことで、ネットワーク埋め込みを学習する。さらに,学習埋め込みの直交不変特性を証明し,このアプローチをバイナリ埋め込み手法と結びつける。 4つの多重ベンチマークの実験では、ノード分類、リンク予測、クラスタリングタスクに関するいくつかの最先端手法よりも提案手法の方が優れた性能を示した。

関連論文リスト

Multiplex Heterogeneous Graph Convolutional Network [25.494590588212542]
異種ネットワーク埋め込みのための多重異種グラフ畳み込みネットワーク(MHGCN)を提案する。我々のMHGCNは、多重異種ネットワークにおいて、異なる長さの有用な異種メタパス相互作用を自動的に学習することができる。
論文参考訳（メタデータ） (2022-08-12T06:17:54Z)
Pay Attention to Relations: Multi-embeddings for Attributed Multiplex Networks [0.0]
RAHMeNは、属性付き異種多重ネットワークのための新しい統合型関係認識組込みフレームワークである。本モデルでは,ノード属性,モチーフに基づく特徴,関係性に基づくGCNアプローチ,ノードの埋め込みを学習するための関係性自己アテンションが組み込まれている。我々は,Amazon,Twitter,YouTube,Tio PPIの4つの実世界のデータセットを,トランスダクティブおよびインダクティブの両方で評価した。
論文参考訳（メタデータ） (2022-03-03T18:31:29Z)
Semi-Supervised Deep Learning for Multiplex Networks [20.671777884219555]
多重ネットワークは複雑なグラフ構造であり、エンティティの集合が複数のタイプの関係によって相互に接続される。マルチプレックスネットワーク上の構造認識表現学習のための,新しい半教師付き手法を提案する。
論文参考訳（メタデータ） (2021-10-05T13:37:43Z)
MD-CSDNetwork: Multi-Domain Cross Stitched Network for Deepfake Detection [80.83725644958633]
現在のディープフェイク生成法では、偽画像やビデオの周波数スペクトルに識別的アーティファクトが残されている。 MD-CSDNetwork(MD-CSDNetwork)と呼ばれる新しい手法を提案する。
論文参考訳（メタデータ） (2021-09-15T14:11:53Z)
Multiplex Bipartite Network Embedding using Dual Hypergraph Convolutional Networks [16.62391694987056]
非監視のデュアルグラフ畳み込みネットワーク(DualHGCN)モデルを開発し、マルチプレックスバイパートネットワークを2組の均質ハイパーグラフに変換します。リンク予測とノード分類タスクの4つの実世界のデータセットを用いてDualHGCNをベンチマークする。
論文参考訳（メタデータ） (2021-02-12T07:20:36Z)
Latent space models for multiplex networks with shared structure [3.602377086789099]
共有ノード上で観測される多重ネットワークのための新しい潜在空間モデルを提案する。我々のモデルは、どれだけのネットワーク構造が層間で共有されているかのデータから学び、層間で情報をプールする。シミュレーションネットワークやマルチプレックスネットワークにおいて,農作物の世界的な取引を記述したモデルと競合する手法を比較した。
論文参考訳（メタデータ） (2020-12-28T18:42:19Z)
Spatio-Temporal Inception Graph Convolutional Networks for Skeleton-Based Action Recognition [126.51241919472356]
我々はスケルトンに基づく行動認識のためのシンプルで高度にモジュール化されたグラフ畳み込みネットワークアーキテクチャを設計する。ネットワークは,空間的および時間的経路から多粒度情報を集約するビルディングブロックを繰り返すことで構築される。
論文参考訳（メタデータ） (2020-11-26T14:43:04Z)
Dual-constrained Deep Semi-Supervised Coupled Factorization Network with Enriched Prior [80.5637175255349]
本稿では、DS2CF-Netと呼ばれる、拡張された事前制約付きDual-Constrained Deep Semi-Supervised Coupled Factorization Networkを提案する。隠れた深い特徴を抽出するために、DS2CF-Netは、深い構造と幾何学的な構造に制約のあるニューラルネットワークとしてモデル化される。我々のネットワークは、表現学習とクラスタリングのための最先端の性能を得ることができる。
論文参考訳（メタデータ） (2020-09-08T13:10:21Z)
Adaptive Context-Aware Multi-Modal Network for Depth Completion [107.15344488719322]
我々は,観測された空間コンテキストを捉えるために,グラフ伝搬を採用することを提案する。次に、注意機構を伝搬に適用し、ネットワークが文脈情報を適応的にモデル化することを奨励する。最後に、抽出したマルチモーダル特徴を効果的に活用するための対称ゲート融合戦略を導入する。本稿では,Adaptive Context-Aware Multi-Modal Network (ACMNet) を2つのベンチマークで評価した。
論文参考訳（メタデータ） (2020-08-25T06:00:06Z)
Unsupervised Differentiable Multi-aspect Network Embedding [52.981277420394846]
本稿では,asp2vecと呼ばれるマルチアスペクトネットワーク埋め込みのための新しいエンドツーエンドフレームワークを提案する。提案するフレームワークは容易に異種ネットワークに拡張できる。
論文参考訳（メタデータ） (2020-06-07T19:26:20Z)
Multi-view Deep Subspace Clustering Networks [64.29227045376359]
マルチビューサブスペースクラスタリングは、相補的な情報の複数のビューを融合することによって、データ固有の構造を発見することを目的としている。本稿では,MvDSCN(Multi-view Deep Subspace Clustering Networks)を提案する。 MvDSCNはクラスタリング性能を高めるために複数のバックボーンを統合する。
論文参考訳（メタデータ） (2019-08-06T06:44:43Z)

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。