論文の概要: Unsupervised Heterophilous Network Embedding via $r$-Ego Network
Discrimination
- arxiv url: http://arxiv.org/abs/2203.10866v1
- Date: Mon, 21 Mar 2022 10:40:44 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-22 18:07:13.112757
- Title: Unsupervised Heterophilous Network Embedding via $r$-Ego Network
Discrimination
- Title(参考訳): r$-egoネットワーク識別による非教師なしヘテロフィラスネットワーク埋め込み
- Authors: Zhiqiang Zhong, Guadalupe Gonzalez, Daniele Grattarola, and Jun Pang
- Abstract要約: 本稿では,ホモフィリ比が既存の教師なしNE法の性能に与える影響について,最初の実証的研究を紹介する。
本稿では,ノード属性とネットワーク構造情報を融合するデュアルチャネル機能埋め込み機構を提案する。
われわれは、12ドルの現実世界と20ドルの合成ネットワークに関する広範な実験と一連のアブレーション研究を行っている。
- 参考スコア(独自算出の注目度): 7.220232621673462
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recently, supervised network embedding (NE) has emerged as a predominant
technique for representing complex systems that take the form of networks, and
various downstream node- and network-level tasks have benefited from its
remarkable developments. However, unsupervised NE still remains challenging due
to the uncertainty in defining a learning objective. In addition, it is still
an unexplored research question \textit{whether existing NE methods adapt well
to heterophilous networks}. This paper introduces the first empirical study on
the influence of homophily ratio on the performance of existing unsupervised NE
methods and reveals their limitations. Inspired by our empirical findings, we
design unsupervised NE task as an $r$-ego network discrimination problem and
further develop a \underline{SEL}f-sup\underline{E}rvised \underline{N}etwork
\underline{E}mbedding (Selene) framework for learning useful node
representations for both homophilous and heterophilous networks. Specifically,
we propose a dual-channel feature embedding mechanism to fuse node attributes
and network structure information and leverage a sampling and anonymisation
strategy to break the implicit homophily assumption of existing embedding
mechanisms. Lastly, we introduce a negative-sample-free SSL objective function
to optimise the framework. We conduct extensive experiments and a series of
ablation studies on $12$ real-world datasets and $20$ synthetic networks.
Results demonstrate Selene's superior performance and confirm the effectiveness
of each component. Code and data are available at
\url{https://github.com/zhiqiangzhongddu/Selene}.
- Abstract(参考訳): 近年,監視型ネットワーク組込み(ne)がネットワーク形態の複雑なシステムを表現するための主流技術として登場し,下流ノードやネットワークレベルの様々なタスクはその顕著な発展から恩恵を受けている。
しかし、学習目標の定義の不確実性のため、教師なしNEは依然として困難である。
さらに、既存のNEメソッドが異種ネットワークに順応するかどうかについては、まだ探索されていない研究課題である。
本稿では,ホモフィリ比が既存の教師なしNE法の性能に与える影響に関する最初の実証的研究を紹介し,その限界を明らかにする。
実験結果から着想を得た未教師NEタスクを$r$-egoネットワーク識別問題として設計し,同種ネットワークと異種ネットワークの両方に有用なノード表現を学習するための 'underline{SEL}f-sup\underline{E}rvised \underline{N}etwork \underline{E}mbedding (Selene) フレームワークを開発した。
具体的には、ノード属性とネットワーク構造情報を融合し、サンプリングおよび匿名化戦略を利用して既存の埋め込み機構の暗黙の均質な仮定を破るデュアルチャネル機能埋め込み機構を提案する。
最後に、このフレームワークを最適化するために、負サンプルフリーのSSL目的関数を導入する。
我々は、12ドルの実世界のデータセットと20ドルの合成ネットワークに関する広範な実験と一連のアブレーション研究を行っている。
その結果,seleneの優れた性能を示し,各コンポーネントの有効性を確認した。
コードとデータは \url{https://github.com/zhiqiangzhongddu/selene} で入手できる。
関連論文リスト
- Coding schemes in neural networks learning classification tasks [52.22978725954347]
完全接続型広義ニューラルネットワーク学習タスクについて検討する。
ネットワークが強力なデータ依存機能を取得することを示す。
驚くべきことに、内部表現の性質は神経の非線形性に大きく依存する。
論文 参考訳(メタデータ) (2024-06-24T14:50:05Z) - MAPPING: Debiasing Graph Neural Networks for Fair Node Classification
with Limited Sensitive Information Leakage [1.8238848494579714]
公正ノード分類のためのモデルに依存しない新しい脱バイアスフレームワーク MAPPing を提案する。
以上の結果から,MAPPingは実用性と公正性,および機密情報漏洩のプライバシーリスクとのトレードオフを良好に達成できることが示された。
論文 参考訳(メタデータ) (2024-01-23T14:59:46Z) - 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) - Gradient Methods Provably Converge to Non-Robust Networks [40.83290846983707]
逆数ネットワークでは、2LU$ Reperturbible gradient network は明らかに非ローバストである。
我々は、よく知られたマージンに対する暗黙の偏見が、非ロバストネットワークに対する偏見を引き起こすことを示した。
論文 参考訳(メタデータ) (2022-02-09T08:58:54Z) - 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) - Self-Ensembling GAN for Cross-Domain Semantic Segmentation [107.27377745720243]
本稿では,セマンティックセグメンテーションのためのクロスドメインデータを利用した自己理解型生成逆数ネットワーク(SE-GAN)を提案する。
SE-GANでは、教師ネットワークと学生ネットワークは、意味分節マップを生成するための自己組織化モデルを構成する。
その単純さにもかかわらず、SE-GANは敵の訓練性能を大幅に向上させ、モデルの安定性を高めることができる。
論文 参考訳(メタデータ) (2021-12-15T09:50:25Z) - Robustness Certificates for Implicit Neural Networks: A Mixed Monotone
Contractive Approach [60.67748036747221]
暗黙のニューラルネットワークは、競合性能とメモリ消費の削減を提供する。
入力逆流の摂動に関して、それらは不安定なままである。
本稿では,暗黙的ニューラルネットワークのロバスト性検証のための理論的および計算的枠組みを提案する。
論文 参考訳(メタデータ) (2021-12-10T03:08:55Z) - SSSNET: Semi-Supervised Signed Network Clustering [4.895808607591299]
SSSNETと呼ばれる半教師付きネットワーククラスタリングのためのGNNフレームワークにおいて、トレーニングノードに対する確率的バランスの取れた正規化カット損失を新たに導入する。
主な斬新なアプローチは、署名されたネットワーク埋め込みにおける社会的バランス理論の役割に関する新しい見解である。
論文 参考訳(メタデータ) (2021-10-13T10:36:37Z) - Anomaly Detection on Attributed Networks via Contrastive Self-Supervised
Learning [50.24174211654775]
本論文では,アトリビュートネットワーク上の異常検出のためのコントラスト型自己監視学習フレームワークを提案する。
このフレームワークは、新しいタイプのコントラストインスタンスペアをサンプリングすることで、ネットワークデータからのローカル情報を完全に活用します。
高次元特性と局所構造から情報埋め込みを学習するグラフニューラルネットワークに基づくコントラスト学習モデルを提案する。
論文 参考訳(メタデータ) (2021-02-27T03:17:20Z) - 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)
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。