論文の概要: Absolute Expressiveness of Subgraph Motif Centrality Measures
- arxiv url: http://arxiv.org/abs/2206.06137v1
- Date: Mon, 13 Jun 2022 13:20:21 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-14 18:01:41.844181
- Title: Absolute Expressiveness of Subgraph Motif Centrality Measures
- Title(参考訳): グラフモチーフ度対策の絶対表現性
- Authors: Andreas Pieris and Jorge Salas
- Abstract要約: 文献にはいわゆる中央集権化対策が多数提案されている。
この研究の目的は、部分グラフモチーフ尺度の族における絶対表現性を正確に特徴づけることである。
- 参考スコア(独自算出の注目度): 2.3986080077861787
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In graph-based applications, a common task is to pinpoint the most important
or ``central'' vertex in a (directed or undirected) graph, or rank the vertices
of a graph according to their importance. To this end, a plethora of so-called
centrality measures have been proposed in the literature that assess which
vertices in a graph are the most important ones. Riveros and Salas, in an ICDT
2020 paper, proposed a family of centrality measures based on the following
intuitive principle: the importance of a vertex in a graph is relative to the
number of ``relevant'' connected subgraphs, known as subgraph motifs,
surrounding it. We refer to the measures derived from the above principle as
subgraph motif measures. It has been convincingly argued that subgraph motif
measures are well-suited for graph database applications. Although the ICDT
paper studied several favourable properties enjoyed by subgraph motif measures,
their absolute expressiveness remains largely unexplored. The goal of this work
is to precisely characterize the absolute expressiveness of the family of
subgraph motif measures.
- Abstract(参考訳): グラフベースのアプリケーションでは、(有向または無向の)グラフの最も重要なまたは `central'' 頂点をピンポイントするか、グラフの頂点を重要度に応じてランク付けするのが一般的なタスクである。
この目的のために、グラフ内の頂点が最も重要なものであるかを評価する文献において、いわゆる中央集権的尺度が多数提案されている。
riveros と salas は icdt 2020 の論文で、グラフにおける頂点の重要性は、それを取り巻く部分グラフモチーフとして知られる'relevant' 接続部分グラフの数と相対する、次の直感的な原理に基づく集中度尺度の族を提案した。
上述の原則から派生した措置を下記の指標として参照する。
サブグラフモチーフ測度はグラフデータベースアプリケーションに適しているという説得力のある主張がある。
ICDT論文は, 部分グラフモチーフ測度が好むいくつかの特性について研究したが, その絶対表現性はほとんど探索されていない。
本研究の目的は,部分グラフモチーフ測度のファミリの絶対表現性を正確に特徴付けることである。
関連論文リスト
- Subgraph Aggregation for Out-of-Distribution Generalization on Graphs [29.884717215947745]
グラフニューラルネットワーク(GNN)におけるアウト・オブ・ディストリビューション(OOD)の一般化は注目されている。
多様なサブグラフの集合を学習するために設計された新しいフレームワークSubGraph Aggregation(SuGAr)を提案する。
合成データセットと実世界のデータセットの両方の実験では、SuGArが最先端の手法より優れていることが示されている。
論文 参考訳(メタデータ) (2024-10-29T16:54:37Z) - A Comprehensive Survey on Graph Reduction: Sparsification, Coarsening, and Condensation [21.76051896779245]
本研究の目的は,グラフスペーシング,グラフ粗化,グラフ凝縮など,グラフ縮小手法の包括的理解を提供することである。
そこで本研究では,これらの手法の技術的詳細を体系的にレビューし,様々なシナリオにまたがる実践的応用を強調した。
論文 参考訳(メタデータ) (2024-01-29T01:19:09Z) - Fine-grained Graph Rationalization [51.293401030058085]
グラフ機械学習のための微粒なグラフ合理化(FIG)を提案する。
私たちのアイデアは、入力ノード間のリッチなインタラクションを提供するセルフアテンションメカニズムによって推進されます。
実験では,実世界の7つのデータセットを対象とし,提案したFIGは,13のベースライン手法と比較して大きな性能上の優位性を示した。
論文 参考訳(メタデータ) (2023-12-13T02:56:26Z) - Bures-Wasserstein Means of Graphs [60.42414991820453]
本研究では,スムーズなグラフ信号分布の空間への埋め込みを通じて,グラフ平均を定義する新しいフレームワークを提案する。
この埋め込み空間において平均を求めることにより、構造情報を保存する平均グラフを復元することができる。
我々は,新しいグラフの意味の存在と特異性を確立し,それを計算するための反復アルゴリズムを提供する。
論文 参考訳(メタデータ) (2023-05-31T11:04:53Z) - Causally-guided Regularization of Graph Attention Improves
Generalizability [69.09877209676266]
本稿では,グラフアテンションネットワークのための汎用正規化フレームワークであるCARを紹介する。
メソッド名は、グラフ接続に対するアクティブ介入の因果効果とアテンションメカニズムを一致させる。
ソーシャル・メディア・ネットワーク規模のグラフでは、CAR誘導グラフ再構成アプローチにより、グラフの畳み込み手法のスケーラビリティとグラフの注意力の向上を両立させることができる。
論文 参考訳(メタデータ) (2022-10-20T01:29:10Z) - Principle of Relevant Information for Graph Sparsification [27.54740921723433]
グラフスペーシフィケーションは、グラフの構造的特性を維持しながら、グラフのエッジ数を減らすことを目的としている。
我々は、関係情報原理(PRI)から着想を得て、グラフスカラー化の汎用的で効果的な情報理論の定式化を提案する。
本稿では,グラフスペーシフィケーション,グラフ正規化マルチタスク学習,医用画像由来の脳ネットワーク分類の3つの応用例を示す。
論文 参考訳(メタデータ) (2022-05-31T21:00:42Z) - Graph Pooling for Graph Neural Networks: Progress, Challenges, and
Opportunities [128.55790219377315]
グラフニューラルネットワークは多くのグラフレベルのタスクの主要なアーキテクチャとして登場した。
グラフプーリングは、グラフ全体の全体的グラフレベル表現を得るためには不可欠である。
論文 参考訳(メタデータ) (2022-04-15T04:02:06Z) - MotifExplainer: a Motif-based Graph Neural Network Explainer [19.64574177805823]
本稿では,グラフにおける重要なモチーフ,繰り返し,統計的に重要なパターンを同定し,グラフニューラルネットワーク(GNN)を説明する新しい手法を提案する。
提案手法は,ノード,エッジ,正規部分グラフに基づく手法よりも,人間に理解可能な説明を提供する。
論文 参考訳(メタデータ) (2022-02-01T16:11:21Z) - Edge but not Least: Cross-View Graph Pooling [76.71497833616024]
本稿では,重要なグラフ構造情報を活用するために,クロスビューグラフプーリング(Co-Pooling)手法を提案する。
クロスビュー相互作用、エッジビュープーリング、ノードビュープーリングにより、相互にシームレスに強化され、より情報的なグラフレベルの表現が学習される。
論文 参考訳(メタデータ) (2021-09-24T08:01:23Z) - 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)
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。