論文の概要: Edge Augmentation on Disconnected Graphs via Eigenvalue Elevation

• arxiv url: http://arxiv.org/abs/2207.05301v1
• Date: Tue, 12 Jul 2022 04:25:52 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-14 01:15:03.240703
• Title: Edge Augmentation on Disconnected Graphs via Eigenvalue Elevation
• Title（参考訳）: 固有値上昇による断線グラフのエッジ拡張
• Authors: Tianyi Li
• Abstract要約: 接続されていない部分グラフのコミュニティ内接続性に基づいて,最も可能性の高いコミュニティ間エッジを決定するグラフ理論タスクを提案する。 グラフスペクトルのゼロ固有値の上昇に基づいて,このエッジ拡張タスクのためのアルゴリズムを開発した。 このアルゴリズムは、合成ネットワークと実ネットワークを一貫して行き来し、グラフコンポーネントを接続する際の望ましい性能をもたらす。
• 参考スコア（独自算出の注目度）: 8.88927127387732
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The graph-theoretical task of determining most likely inter-community edges based on disconnected subgraphs' intra-community connectivity is proposed. An algorithm is developed for this edge augmentation task, based on elevating the zero eigenvalues of graph's spectrum. Upper bounds for eigenvalue elevation amplitude and for the corresponding augmented edge density are derived and are authenticated with simulation on random graphs. The algorithm works consistently across synthetic and real networks, yielding desirable performance at connecting graph components. Edge augmentation reverse-engineers graph partition under different community detection methods (Girvan-Newman method, greedy modularity maximization, label propagation, Louvain method, and fluid community), in most cases producing inter-community edges at >50% frequency.
• Abstract（参考訳）: 切り離されたサブグラフのコミュニティ内接続に基づいてコミュニティ間エッジを決定するグラフ理論的タスクを提案する。 グラフスペクトルのゼロ固有値の上昇に基づいて,このエッジ拡張タスクのためのアルゴリズムを開発した。 固有値上昇振幅と対応する拡張エッジ密度の上限を導出し、ランダムグラフ上のシミュレーションにより認証する。 このアルゴリズムは合成ネットワークと実ネットワークで一貫して動作し、グラフコンポーネントを接続するのに望ましいパフォーマンスをもたらす。 異なるコミュニティ検出法 (Girvan-Newman法, greedy modularity maximization, label propagation, Louvain法, fluid community) の下でエッジ拡張リバースエンジニアリンググラフ分割を行う場合, コミュニティ間エッジを50%の周波数で生成する場合が多い。

関連論文リスト

• Improving Graph Neural Networks by Learning Continuous Edge Directions [0.0]
  グラフニューラルネットワーク(GNN)は、従来、非指向グラフ上の拡散に似たメッセージパッシング機構を採用している。 私たちのキーとなる洞察は、ファジィエッジ方向をグラフのエッジに割り当てることです。 ファジィエッジを持つグラフを学習するためのフレームワークとして,Continuous Edge Direction (CoED) GNNを提案する。
  論文  参考訳（メタデータ） (2024-10-18T01:34:35Z)
• Boolean Product Graph Neural Networks [8.392545965667288]
  グラフニューラルネットワーク(GNN)は最近、近隣ノードからの情報の集約を含む重要な操作によって、大きな成功を収めている。 本稿では,GNNにおける新しいブール積に基づくグラフ残差接続を提案し,潜在グラフと元のグラフをリンクする。 提案手法をベンチマークデータセットで検証し,GNNの性能とロバスト性を向上させる能力を示す。
  論文  参考訳（メタデータ） (2024-09-21T03:31:33Z)
• Graph Transformer GANs with Graph Masked Modeling for Architectural Layout Generation [153.92387500677023]
  本稿では,グラフノード関係を効果的に学習するために,GTGAN(Graph Transformer Generative Adversarial Network)を提案する。 提案したグラフ変換器エンコーダは、局所的およびグローバルな相互作用をモデル化するために、Transformer内のグラフ畳み込みと自己アテンションを組み合わせる。 また,グラフ表現学習のための自己指導型事前学習手法を提案する。
  論文  参考訳（メタデータ） (2024-01-15T14:36:38Z)
• 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)
• Homophily-Related: Adaptive Hybrid Graph Filter for Multi-View Graph Clustering [29.17784041837907]
  マルチビューグラフクラスタリング(AHGFC)のための適応ハイブリッドグラフフィルタを提案する。 AHGFCはグラフ結合集約行列に基づいてノード埋め込みを学習する。 実験結果から,同好性グラフと異好性グラフを含む6つのデータセットに対して,提案モデルの有効性が示された。
  論文  参考訳（メタデータ） (2024-01-05T07:27:29Z)
• Optimal Propagation for Graph Neural Networks [51.08426265813481]
  最適グラフ構造を学習するための二段階最適化手法を提案する。 また、時間的複雑さをさらに軽減するために、低ランク近似モデルについても検討する。
  論文  参考訳（メタデータ） (2022-05-06T03:37:00Z)
• Gransformer: Transformer-based Graph Generation [14.161975556325796]
  Gransformerは、グラフを生成するためのTransformerに基づくアルゴリズムである。 我々は、与えられたグラフの構造情報を利用するためにTransformerエンコーダを変更する。 また、ノードペア間のグラフベースの親しみ度尺度も導入する。
  論文  参考訳（メタデータ） (2022-03-25T14:05:12Z)
• 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)
• Multilayer Graph Clustering with Optimized Node Embedding [70.1053472751897]
  多層グラフクラスタリングは、グラフノードをカテゴリまたはコミュニティに分割することを目指しています。 与えられた多層グラフの層をクラスタリングに親しみやすい埋め込みを提案する。 実験の結果,本手法は著しい改善をもたらすことがわかった。
  論文  参考訳（メタデータ） (2021-03-30T17:36:40Z)
• Heuristic Semi-Supervised Learning for Graph Generation Inspired by Electoral College [80.67842220664231]
  本稿では,新たなノードやエッジを自動的に拡張して,高密度サブグラフ内のラベル類似性を向上する,新しい前処理手法であるElectoral College(ELCO)を提案する。 テストされたすべての設定において、我々の手法はベースモデルの平均スコアを4.7ポイントの広いマージンで引き上げるとともに、常に最先端のモデルよりも優れています。
  論文  参考訳（メタデータ） (2020-06-10T14:48:48Z)

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。