論文の概要: Graph Auto-Encoders for Network Completion

• arxiv url: http://arxiv.org/abs/2204.11852v1
• Date: Mon, 25 Apr 2022 05:24:45 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-27 12:39:55.129076
• Title: Graph Auto-Encoders for Network Completion
• Title（参考訳）: ネットワーク補完のためのグラフ自動エンコーダ
• Authors: Zhang Zhang, Ruyi Tao, Yongzai Tao, Jiang Zhang
• Abstract要約: 本稿では,ネットワークの観測部分から学習した接続パターンを用いてグラフ全体を完成させるモデルを提案する。 提案モデルでは,少ない情報で競合性能を達成できた。
• 参考スコア（独自算出の注目度）: 6.1074304332419675
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Completing a graph means inferring the missing nodes and edges from a partially observed network. Different methods have been proposed to solve this problem, but none of them employed the pattern similarity of parts of the graph. In this paper, we propose a model to use the learned pattern of connections from the observed part of the network based on the Graph Auto-Encoder technique and generalize these patterns to complete the whole graph. Our proposed model achieved competitive performance with less information needed. Empirical analysis of synthetic datasets and real-world datasets from different domains show that our model can complete the network with higher accuracy compared with baseline prediction models in most cases. Furthermore, we also studied the character of the model and found it is particularly suitable to complete a network that has more complex local connection patterns.
• Abstract（参考訳）: グラフの完成は、部分的に観測されたネットワークから欠落したノードとエッジを推測することを意味する。 この問題を解決するために様々な方法が提案されているが、いずれもグラフの一部のパターン類似性を用いていない。 本稿では,グラフ自動エンコーダ手法に基づき,ネットワークの観測部分からの接続の学習パターンを用いたモデルを提案し,それらのパターンを一般化してグラフ全体を完成させる。 提案モデルは少ない情報量で競争性能を達成した。 異なる領域の合成データセットと実世界のデータセットの実証分析により,本モデルがベースライン予測モデルと比較して高い精度でネットワークを完成できることが示された。 さらに、モデルの特徴についても検討し、より複雑な局所接続パターンを持つネットワークを完成させるのに特に適していることを見出した。

関連論文リスト

• Self-Supervised Graph Neural Networks for Enhanced Feature Extraction in Heterogeneous Information Networks [16.12856816023414]
  本稿では,インターネットの急速な発展に伴う複雑なグラフデータ処理におけるグラフニューラルネットワーク(GNN)の適用と課題について考察する。 自己監督機構を導入することにより、グラフデータの多様性と複雑さに対する既存モデルの適合性を向上させることが期待されている。
  論文  参考訳（メタデータ） (2024-10-23T07:14:37Z)
• Scalable Weibull Graph Attention Autoencoder for Modeling Document Networks [50.42343781348247]
  解析条件後部を解析し,推論精度を向上させるグラフポアソン因子分析法(GPFA)を開発した。 また,GPFAを多層構造に拡張したグラフPoisson gamma belief Network (GPGBN) を用いて,階層的な文書関係を複数の意味レベルで捉える。 本モデルでは,高品質な階層型文書表現を抽出し,様々なグラフ解析タスクにおいて有望な性能を実現する。
  論文  参考訳（メタデータ） (2024-10-13T02:22:14Z)
• 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)
• GrannGAN: Graph annotation generative adversarial networks [72.66289932625742]
  本稿では,高次元分布をモデル化し,グラフスケルトンと整合した複雑な関係特徴構造を持つデータの新しい例を生成することの問題点を考察する。 提案するモデルは,タスクを2つのフェーズに分割することで,各データポイントのグラフ構造に制約されたデータ特徴を生成する問題に対処する。 第一に、与えられたグラフのノードに関連する機能の分布をモデル化し、第二に、ノードのフィーチャに条件付きでエッジ機能を補完する。
  論文  参考訳（メタデータ） (2022-12-01T11:49:07Z)
• Joint Network Topology Inference via a Shared Graphon Model [24.077455621015552]
  観測結果から複数のネットワークのトポロジを推定する問題を考察する。 これは非パラメトリックなモデルであり、潜在的に異なるサイズのグラフを描画することができる。
  論文  参考訳（メタデータ） (2022-09-17T02:38:58Z)
• A Robust and Generalized Framework for Adversarial Graph Embedding [73.37228022428663]
  本稿では,AGE という逆グラフ埋め込みのための頑健なフレームワークを提案する。 AGEは、暗黙の分布から強化された負のサンプルとして偽の隣接ノードを生成する。 本フレームワークでは,3種類のグラフデータを扱う3つのモデルを提案する。
  論文  参考訳（メタデータ） (2021-05-22T07:05:48Z)
• 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)
• Graph Fairing Convolutional Networks for Anomaly Detection [7.070726553564701]
  半教師付き異常検出のためのスキップ接続付きグラフ畳み込みネットワークを提案する。 本モデルの有効性は,5つのベンチマークデータセットに対する広範な実験によって実証された。
  論文  参考訳（メタデータ） (2020-10-20T13:45:47Z)
• Adaptive Graph Auto-Encoder for General Data Clustering [90.8576971748142]
  グラフベースのクラスタリングは、クラスタリング領域において重要な役割を果たす。 グラフ畳み込みニューラルネットワークに関する最近の研究は、グラフ型データにおいて驚くべき成功を収めている。 本稿では,グラフの生成的視点に応じて適応的にグラフを構成する汎用データクラスタリングのためのグラフ自動エンコーダを提案する。
  論文  参考訳（メタデータ） (2020-02-20T10:11:28Z)

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。