論文の概要: On the Surprising Behaviour of node2vec
- arxiv url: http://arxiv.org/abs/2206.08252v1
- Date: Thu, 16 Jun 2022 15:46:24 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-17 13:59:43.104668
- Title: On the Surprising Behaviour of node2vec
- Title(参考訳): node2vecの挙動について
- Authors: Celia Hacker, Bastian Rieck
- Abstract要約: node2vecに注目し、その埋め込み品質を複数の観点から分析する。
その結果, 埋込み品質はパラメータ選択に関して不安定であることが示唆された。
私たちは実際にこれに対する戦略を提案します。
- 参考スコア(独自算出の注目度): 11.396560798899413
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Graph embedding techniques are a staple of modern graph learning research.
When using embeddings for downstream tasks such as classification, information
about their stability and robustness, i.e., their susceptibility to sources of
noise, stochastic effects, or specific parameter choices, becomes increasingly
important. As one of the most prominent graph embedding schemes, we focus on
node2vec and analyse its embedding quality from multiple perspectives. Our
findings indicate that embedding quality is unstable with respect to parameter
choices, and we propose strategies to remedy this in practice.
- Abstract(参考訳): グラフ埋め込み技術は、現代のグラフ学習研究の出発点である。
分類などの下流タスクに埋め込みを使用する場合、その安定性や堅牢性に関する情報、すなわちノイズの発生源、確率効果、特定のパラメータ選択への感受性がますます重要になる。
最も顕著なグラフ埋め込みスキームの1つとして、 node2vec に着目し、その埋め込み品質を複数の観点から分析する。
本研究は, 組込み品質がパラメータ選択に関して不安定であることを示し, 実際にこれを改善するための戦略を提案する。
関連論文リスト
- Mitigating Label Noise on Graph via Topological Sample Selection [72.86862597508077]
トポロジ情報を活用することで,グラフ内の情報的サンプル選択プロセスを促進できる$textitTopological Sample Selection$ (TSS)法を提案する。
提案手法は,対象のクリーン分布下での予測されるリスク上限の上限を最小化し,最先端のベースラインと比較して,提案手法の優位性を実験的に示す。
論文 参考訳(メタデータ) (2024-03-04T11:24:51Z) - Deep Manifold Graph Auto-Encoder for Attributed Graph Embedding [51.75091298017941]
本稿では,属性付きグラフデータに対する新しいDeep Manifold (Variational) Graph Auto-Encoder (DMVGAE/DMGAE)を提案する。
提案手法は,最先端のベースラインアルゴリズムを,一般的なデータセット間でのダウンストリームタスクの差を大きく越える。
論文 参考訳(メタデータ) (2024-01-12T17:57:07Z) - GraphCloak: Safeguarding Task-specific Knowledge within Graph-structured Data from Unauthorized Exploitation [61.80017550099027]
グラフニューラルネットワーク(GNN)は、さまざまな分野でますます普及している。
個人データの不正利用に関する懸念が高まっている。
近年の研究では、このような誤用から画像データを保護する効果的な方法として、知覚不能な毒殺攻撃が報告されている。
本稿では,グラフデータの不正使用に対する保護のためにGraphCloakを導入する。
論文 参考訳(メタデータ) (2023-10-11T00:50:55Z) - Contrastive Disentangled Learning on Graph for Node Classification [11.678287036601564]
本稿では,グラフ上の非絡み合い学習のための新しいフレームワークを提案し,非絡み合いグラフエンコーダと2つの慎重に構築された自己超越信号を用いた。
具体的には、下層のセマンティック情報に対応する様々な潜伏要因を識別するために、フレームワークを強制する非絡み合いグラフエンコーダを導入する。
ラベルに大きく依存する2つの自己超越信号,すなわちノード特異性とチャネル独立性を克服し,ラベル付きデータを必要としない情報的知識を抽出する。
論文 参考訳(メタデータ) (2023-06-20T07:25:14Z) - Uncertainty-Aware Robust Learning on Noisy Graphs [16.66112191539017]
本稿では,分散的ロバストな最適化を動機とした,新しい不確実性を考慮したグラフ学習フレームワークを提案する。
具体的には、グラフニューラルネットワークベースのエンコーダを使用して、ノードの特徴を埋め込んで、最適なノード埋め込みを見つけます。
このような不確実性を考慮した学習プロセスは、ノード表現の改善と、より堅牢なグラフ予測モデルをもたらす。
論文 参考訳(メタデータ) (2023-06-14T02:45:14Z) - Improving Signed Propagation for Graph Neural Networks in Multi-Class Environments [3.4498722449655066]
マルチクラスグラフにおける署名伝達を改善するための2つの新しい戦略を導入する。
提案手法はキャリブレーションとロバスト性の確保を両立させ,不確実性を低減させる。
6つのベンチマークグラフデータセットに対する広範な実験により,本定理の有効性を示す。
論文 参考訳(メタデータ) (2023-01-21T08:47:22Z) - Learning Heuristics for the Maximum Clique Enumeration Problem Using Low
Dimensional Representations [0.0]
本稿では,最大列挙問題の傾きを低減するために,入力グラフのプルーニング処理に学習フレームワークを用いる。
本手法の性能評価において,異なる頂点表現を用いることが果たす役割について検討する。
分類過程において局所的なグラフ特徴を用いることで,特徴の除去過程と組み合わせることで,より正確な結果が得られることが観察された。
論文 参考訳(メタデータ) (2022-10-30T22:04:32Z) - Bayesian Graph Contrastive Learning [55.36652660268726]
本稿では,ランダムな拡張がエンコーダにつながることを示すグラフコントラスト学習手法の新たな視点を提案する。
提案手法は,各ノードを決定論的ベクトルに埋め込む既存の手法とは対照的に,各ノードを潜在空間の分布で表現する。
いくつかのベンチマークデータセットにおける既存の最先端手法と比較して,性能が大幅に向上したことを示す。
論文 参考訳(メタデータ) (2021-12-15T01:45:32Z) - Training Stable Graph Neural Networks Through Constrained Learning [116.03137405192356]
グラフニューラルネットワーク(GNN)は、ネットワークデータから機能を学ぶためにグラフ畳み込みに依存する。
GNNは、グラフフィルタから受け継いだ特性である、基礎となるグラフの様々な種類の摂動に対して安定である。
本稿では,GNNの安定条件に制約を課すことにより,新たな制約付き学習手法を提案する。
論文 参考訳(メタデータ) (2021-10-07T15:54:42Z) - Information Obfuscation of Graph Neural Networks [96.8421624921384]
本稿では,グラフ構造化データを用いた学習において,情報難読化による機密属性保護の問題について検討する。
本稿では,全変動量とワッサーシュタイン距離を交互に学習することで,事前決定された機密属性を局所的にフィルタリングするフレームワークを提案する。
論文 参考訳(メタデータ) (2020-09-28T17:55:04Z)
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。