論文の概要: MultiSAGE: a multiplex embedding algorithm for inter-layer link prediction

• arxiv url: http://arxiv.org/abs/2206.13223v1
• Date: Fri, 24 Jun 2022 08:50:55 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-03 12:38:32.218919
• Title: MultiSAGE: a multiplex embedding algorithm for inter-layer link prediction
• Title（参考訳）: MultiSAGE:層間リンク予測のための多重埋め込みアルゴリズム
• Authors: Luca Gallo and Vito Latora and Alfredo Pulvirenti
• Abstract要約: MultiSAGEはGraphSAGEアルゴリズムの一般化であり、複数のネットワークを埋め込むことができる。 我々は、MultiSAGEが層内接続と層間接続の両方を再構築でき、GraphSAGEより優れていることを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Research on graph representation learning has received great attention in recent years. However, most of the studies so far have focused on the embedding of single-layer graphs. The few studies dealing with the problem of representation learning of multilayer structures rely on the strong hypothesis that the inter-layer links are known, and this limits the range of possible applications. Here we propose MultiSAGE, a generalization of the GraphSAGE algorithm that allows to embed multiplex networks. We show that MultiSAGE is capable to reconstruct both the intra-layer and the inter-layer connectivity, outperforming GraphSAGE, which has been designed for simple graphs. Next, through a comprehensive experimental analysis, we shed light also on the performance of the embedding, both in simple and in multiplex networks, showing that either the density of the graph or the randomness of the links strongly influences the quality of the embedding.
• Abstract（参考訳）: 近年,グラフ表現学習の研究が注目されている。 しかし、これまでの研究のほとんどは単層グラフの埋め込みに焦点を当てている。 多層構造の表現学習問題に対処する数少ない研究は、層間リンクが知られているという強い仮説に依存しており、これは応用範囲を制限する。 本稿では,複数のネットワークを埋め込むグラフSAGEアルゴリズムの一般化であるMultiSAGEを提案する。 マルチセージは,単純なグラフ用に設計されたgraphsageよりも,層内および層間接続の両方を再構築できることを示した。 次に,包括的実験解析により,単純ネットワークと多重ネットワークの両方において埋め込みの性能に光を当て,グラフの密度とリンクのランダム性が埋め込みの質に大きく影響することを示した。

関連論文リスト

• MPXGAT: An Attention based Deep Learning Model for Multiplex Graphs Embedding [0.0]
  マルチプレックスグラフ埋め込みに適した,革新的注目に基づくディープラーニングモデルMPXGATを紹介する。 MPXGATは層内接続と層間接続の両方を利用して多重ネットワークの構造をキャプチャする。 様々なベンチマークデータセットを用いて実施した総合的な実験的評価により,MPXGATが最先端の競合アルゴリズムより一貫して優れていることを確認した。
  論文  参考訳（メタデータ） (2024-03-28T09:06:23Z)
• Representation learning in multiplex graphs: Where and how to fuse information? [5.0235828656754915]
  多重グラフはよりリッチな情報を持ち、より良いモデリング機能を提供し、潜在的に異なるソースからより詳細なデータを統合する。 本稿では,マルチプレックスネットワークにおけるノードの表現を教師なしあるいは自己管理的に学習する問題に対処する。 多重グラフを扱うGNNアーキテクチャの構築方法の改善を提案する。
  論文  参考訳（メタデータ） (2024-02-27T21:47:06Z)
• Hierarchical Aggregations for High-Dimensional Multiplex Graph Embedding [7.271256448682229]
  HMGEは高次元多重グラフの階層的アグリゲーションに基づく新しい埋め込み手法である。 我々は、ローカルパッチとグローバルサマリー間の相互情報を活用して、監督なしにモデルを訓練する。 合成および実世界のデータに関する詳細な実験は、下流監視タスクに対する我々のアプローチの適合性を示している。
  論文  参考訳（メタデータ） (2023-12-28T05:39:33Z)
• You Only Transfer What You Share: Intersection-Induced Graph Transfer Learning for Link Prediction [79.15394378571132]
  従来見過ごされていた現象を調査し、多くの場合、元のグラフに対して密に連結された補グラフを見つけることができる。 より密度の高いグラフは、選択的で有意義な知識を伝達するための自然なブリッジを提供する元のグラフとノードを共有することができる。 この設定をグラフインターセクション誘導トランスファーラーニング(GITL)とみなし,eコマースや学術共同オーサシップ予測の実践的応用に動機づけられた。
  論文  参考訳（メタデータ） (2023-02-27T22:56:06Z)
• Learnable Graph Convolutional Network and Feature Fusion for Multi-view Learning [30.74535386745822]
  本稿では,Learningable Graph Convolutional Network and Feature Fusion (LGCN-FF) と呼ばれる統合ディープラーニングフレームワークを提案する。 特徴融合ネットワークと学習可能なグラフ畳み込みネットワークの2つのステージで構成されている。 提案したLGCN-FFは,多視点半教師付き分類において,様々な最先端手法よりも優れていることが検証された。
  論文  参考訳（メタデータ） (2022-11-16T19:07:12Z)
• 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)
• RAN-GNNs: breaking the capacity limits of graph neural networks [43.66682619000099]
  グラフニューラルネットワークは、グラフ上で定義されたデータの学習と分析に対処する問題の中心となっている。 最近の研究では、複数の近隣サイズを同時に考慮し、適応的にそれらを調整する必要があるためです。 ランダムに配線されたアーキテクチャを用いることで、ネットワークの容量を増大させ、よりリッチな表現を得ることができることを示す。
  論文  参考訳（メタデータ） (2021-03-29T12:34:36Z)
• Spatial-spectral Hyperspectral Image Classification via Multiple Random Anchor Graphs Ensemble Learning [88.60285937702304]
  本稿では,複数のランダムアンカーグラフアンサンブル学習(RAGE)を用いた空間スペクトルHSI分類手法を提案する。 まず、各選択されたバンドのより記述的な特徴を抽出し、局所的な構造と領域の微妙な変化を保存するローカルバイナリパターンを採用する。 次に,アンカーグラフの構成に適応隣接代入を導入し,計算複雑性を低減した。
  論文  参考訳（メタデータ） (2021-03-25T09:31:41Z)
• Multilayer Clustered Graph Learning [66.94201299553336]
  我々は、観測された層を代表グラフに適切に集約するために、データ忠実度用語として対照的な損失を用いる。 実験により,本手法がクラスタクラスタw.r.tに繋がることが示された。 クラスタリング問題を解くためのクラスタリングアルゴリズムを学習する。
  論文  参考訳（メタデータ） (2020-10-29T09:58:02Z)
• Multi-view Graph Learning by Joint Modeling of Consistency and Inconsistency [65.76554214664101]
  グラフ学習は、複数のビューから統一的で堅牢なグラフを学ぶ能力を備えた、マルチビュークラスタリングのための有望なテクニックとして登場した。 本稿では,統合目的関数における多視点一貫性と多視点不整合を同時にモデル化する,新しい多視点グラフ学習フレームワークを提案する。 12のマルチビューデータセットに対する実験は、提案手法の堅牢性と効率性を実証した。
  論文  参考訳（メタデータ） (2020-08-24T06:11:29Z)
• GCC: Graph Contrastive Coding for Graph Neural Network Pre-Training [62.73470368851127]
  グラフ表現学習は現実世界の問題に対処する強力な手法として登場した。 自己教師付きグラフニューラルネットワーク事前トレーニングフレームワークであるGraph Contrastive Codingを設計する。 3つのグラフ学習タスクと10のグラフデータセットについて実験を行った。
  論文  参考訳（メタデータ） (2020-06-17T16:18:35Z)

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。