論文の概要: Local Graph Embeddings Based on Neighbors Degree Frequency of Nodes
- arxiv url: http://arxiv.org/abs/2208.00152v1
- Date: Sat, 30 Jul 2022 07:07:30 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-02 14:48:02.648207
- Title: Local Graph Embeddings Based on Neighbors Degree Frequency of Nodes
- Title（参考訳）: ノードの近傍次数周波数に基づく局所グラフ埋め込み
- Authors: Vahid Shirbisheh
- Abstract要約: 本稿では,ノードの特定の局所的特徴とベクトル表現を定義することによって,グラフ機械学習とネットワーク解析の戦略を提案する。
Breath-First Search を通じてノードの次数の概念を拡張することにより、bf 中心関数の一般族が定義される。
これらの局所的な特徴に深層学習を適用することで、中心性と近接性を学ぶことができることを示す。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We propose a local-to-global strategy for graph machine learning and network
analysis by defining certain local features and vector representations of nodes
and then using them to learn globally defined metrics and properties of the
nodes by means of deep neural networks. By extending the notion of the degree
of a node via Breath-First Search, a general family of {\bf parametric
centrality functions} is defined which are able to reveal the importance of
nodes. We introduce the {\bf neighbors degree frequency (NDF)}, as a locally
defined embedding of nodes of undirected graphs into euclidean spaces. This
gives rise to a vectorized labeling of nodes which encodes the structure of
local neighborhoods of nodes and can be used for graph isomorphism testing. We
add flexibility to our construction so that it can handle dynamic graphs as
well. Afterwards, the Breadth-First Search is used to extend NDF vector
representations into two different matrix representations of nodes which
contain higher order information about the neighborhoods of nodes. Our matrix
representations of nodes provide us with a new way of visualizing the shape of
the neighborhood of a node. Furthermore, we use these matrix representations to
obtain feature vectors, which are suitable for typical deep learning
algorithms. To demonstrate these node embeddings actually contain some
information about the nodes, in a series of examples, we show that PageRank and
closeness centrality can be learned by applying deep learning to these local
features. Our constructions are flexible enough to handle evolving graphs.
Finally, we explain how to adapt our constructions for directed graphs.
- Abstract（参考訳）: 本稿では,ノードの局所的特徴とベクトル表現を定義し,ディープニューラルネットワークを用いてノードのグローバルに定義されたメトリクスと特性を学習することにより,グラフ機械学習とネットワーク解析のための局所的対グローバル戦略を提案する。
Breath-First Search を通じてノードの次数の概念を拡張することにより、ノードの重要性を明らかにすることができる {\bfパラメトリック中央関数の一般族が定義される。
我々は、非方向グラフのノードのユークリッド空間への局所的に定義された埋め込みとして、近傍次数周波数 (NDF) を導入する。
これにより、ノードの局所近傍の構造を符号化し、グラフ同型テストに使用できるノードのベクトル化されたラベル付けが生まれる。
動的グラフも処理できるように、構築に柔軟性を加えています。
その後、Breadth-First Search は NDF ベクトル表現をノードの近傍に関する高次情報を含む2つの異なる行列表現に拡張するために使われる。
ノードのマトリックス表現は、ノードの近傍の形状を視覚化する新しい方法を提供する。
さらに,これらの行列表現を用いて,典型的なディープラーニングアルゴリズムに適した特徴ベクトルを求める。
これらのノードの埋め込みに実際にノードに関する情報が含まれていることを示すために、PageRankとCloseness Centralityは、これらのローカルな特徴にディープラーニングを適用することで学習可能であることを示す。
私たちの構成は進化するグラフを扱うのに十分柔軟です。
最後に、有向グラフに対する構成の適応方法について説明する。
関連論文リスト
- Saliency-Aware Regularized Graph Neural Network [39.82009838086267]
グラフ分類のためのSAR-GNN(Saliency-Aware Regularized Graph Neural Network)を提案する。
まず,コンパクトなグラフ表現とノード特徴とのセマンティックな類似性を測定することで,グローバルノードの正当性を推定する。
そして、学習した塩分濃度分布を利用して、背骨の近傍集合を規則化する。
論文 参考訳（メタデータ） (2024-01-01T13:44:16Z) - GraphRARE: Reinforcement Learning Enhanced Graph Neural Network with Relative Entropy [21.553180564868306]
GraphRAREはノード相対エントロピーと深層強化学習に基づいて構築されたフレームワークである。
革新的なノード相対エントロピーは、ノードペア間の相互情報を測定するために使用される。
グラフトポロジを最適化するために,深層強化学習に基づくアルゴリズムを開発した。
論文 参考訳（メタデータ） (2023-12-15T11:30:18Z) - NodeFormer: A Scalable Graph Structure Learning Transformer for Node
Classification [70.51126383984555]
本稿では,任意のノード間のノード信号を効率的に伝搬する全ペアメッセージパッシング方式を提案する。
効率的な計算は、カーナライズされたGumbel-Softmax演算子によって実現される。
グラフ上のノード分類を含む様々なタスクにおいて,本手法の有望な有効性を示す実験を行った。
論文 参考訳（メタデータ） (2023-06-14T09:21:15Z) - Graph Neural Networks with Feature and Structure Aware Random Walk [7.143879014059894]
典型的な好適なグラフでは、エッジを指向する可能性があり、エッジをそのまま扱うか、あるいは単純に非指向にするかは、GNNモデルの性能に大きな影響を与える。
そこで我々は,グラフの方向性を適応的に学習するモデルを開発し,ノード間の長距離相関を生かした。
論文 参考訳（メタデータ） (2021-11-19T08:54:21Z) - Graph Neural Networks with Learnable Structural and Positional
Representations [83.24058411666483]
任意のグラフの大きな問題は、ノードの標準位置情報の欠如である。
ノードの位置ノード(PE)を導入し、Transformerのように入力層に注入する。
両方のGNNクラスで学習可能なPEを考えると、分子データセットのパフォーマンスは2.87%から64.14%に向上する。
論文 参考訳（メタデータ） (2021-10-15T05:59:15Z) - COLOGNE: Coordinated Local Graph Neighborhood Sampling [1.6498361958317633]
グラフノードのような個別の未順序オブジェクトを実数値ベクトルで置き換えることは、グラフデータから学ぶための多くのアプローチの中心である。
ノードベクトル表現の座標がグラフノードであるような離散ノード埋め込みを学習する問題に対処する。
これにより、ノードにもともと存在するすべての属性が保存されているため、グラフの解釈可能な機械学習アルゴリズムを設計する扉が開く。
論文 参考訳（メタデータ） (2021-02-09T11:39:06Z) - Node2Seq: Towards Trainable Convolutions in Graph Neural Networks [59.378148590027735]
今回提案するグラフネットワーク層であるNode2Seqは,隣接ノードの重みを明示的に調整可能なノード埋め込みを学習する。
対象ノードに対して,当手法は注意メカニズムを介して隣接ノードをソートし,さらに1D畳み込みニューラルネットワーク(CNN)を用いて情報集約のための明示的な重み付けを行う。
また, 特徴学習のための非局所的情報を, 注意スコアに基づいて適応的に組み込むことを提案する。
論文 参考訳（メタデータ） (2021-01-06T03:05:37Z) - node2coords: Graph Representation Learning with Wasserstein Barycenters [59.07120857271367]
グラフの表現学習アルゴリズムである node2coords を導入する。
低次元空間を同時に学習し、その空間内のノードを座標する。
実験の結果,node2coordで学習した表現は解釈可能であることがわかった。
論文 参考訳（メタデータ） (2020-07-31T13:14:25Z) - Graph Neural Networks with Composite Kernels [60.81504431653264]
カーネル重み付けの観点からノード集約を再解釈する。
本稿では,アグリゲーション方式における特徴類似性を考慮したフレームワークを提案する。
特徴空間における特徴類似性をエンコードするために,元の隣り合うカーネルと学習可能なカーネルの合成として特徴集約を提案する。
論文 参考訳（メタデータ） (2020-05-16T04:44:29Z) - Graph Inference Learning for Semi-supervised Classification [50.55765399527556]
半教師付きノード分類の性能を高めるためのグラフ推論学習フレームワークを提案する。
推論過程の学習には,トレーニングノードから検証ノードへの構造関係のメタ最適化を導入する。
4つのベンチマークデータセットの総合的な評価は、最先端の手法と比較して提案したGILの優位性を示している。
論文 参考訳（メタデータ） (2020-01-17T02:52:30Z)
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。