論文の概要: The Influence of Network Structural Preference on Node Classification
and Link Prediction
- arxiv url: http://arxiv.org/abs/2208.03712v2
- Date: Tue, 9 Aug 2022 08:34:59 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-10 10:27:50.172481
- Title: The Influence of Network Structural Preference on Node Classification
and Link Prediction
- Title（参考訳）: ネットワーク構造選好がノード分類とリンク予測に及ぼす影響
- Authors: Sarmad N. Mohammed and Semra G\"und\"u\c{c}
- Abstract要約: 本研究は,新しい機能抽象化手法,すなわちTransition Probabilities Matrix (TPM)を導入する。
提案手法は,3つの実世界のネットワーク上でノード識別・分類・リンク予測を行った。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Recent advances in complex network analysis opened a wide range of
possibilities for applications in diverse fields. The power of the network
analysis depends on the node features. The topology-based node features are
realizations of local and global spatial relations and node connectivity
structure. Hence, collecting correct information on the node characteristics
and the connectivity structure of the neighboring nodes plays the most
prominent role in node classification and link prediction in complex network
analysis. The present work introduces a new feature abstraction method, namely
the Transition Probabilities Matrix (TPM), based on embedding anonymous random
walks on feature vectors. The node feature vectors consist of transition
probabilities obtained from sets of walks in a predefined radius. The
transition probabilities are directly related to the local connectivity
structure, hence correctly embedded onto feature vectors. The success of the
proposed embedding method is tested on node identification/classification and
link prediction on three commonly used real-world networks. In real-world
networks, nodes with similar connectivity structures are common; Thus,
obtaining information from similar networks for predictions on the new networks
is the distinguishing characteristic that makes the proposed algorithm superior
to the state-of-the-art algorithms in terms of cross-networks generalization
tasks.
- Abstract（参考訳）: 複雑なネットワーク分析の最近の進歩は、様々な分野の応用に幅広い可能性をもたらした。
ネットワーク分析のパワーはノードの機能に依存します。
トポロジに基づくノードの特徴は、局所的および大域的空間関係とノード接続構造の実現である。
したがって、ノード特性と隣接ノードの接続構造に関する正しい情報収集は、複雑なネットワーク解析におけるノード分類とリンク予測において最も顕著な役割を果たす。
本稿では,特徴ベクトル上に無作為なランダムウォークを埋め込んだ遷移確率行列 (Transition Probabilities Matrix, TPM) という新しい特徴抽象化手法を提案する。
ノード特徴ベクトルは、予め定義された半径のウォークの集合から得られる遷移確率からなる。
遷移確率は局所接続構造に直接関係しており、したがって特徴ベクトルに正しく埋め込まれている。
提案手法の成功は3つの実世界のネットワーク上でのノード識別/分類とリンク予測で検証された。
実世界のネットワークでは、類似した接続構造を持つノードが一般的であり、新しいネットワーク上の予測のために類似ネットワークから情報を取得することは、クロスネットワークの一般化タスクにおいて、提案アルゴリズムが最先端のアルゴリズムよりも優れているという識別特性である。
関連論文リスト
- Exact Recovery and Bregman Hard Clustering of Node-Attributed Stochastic
Block Model [0.16385815610837165]
本稿では,コミュニティラベルの正確な回復のための情報理論的基準を提案する。
ネットワークと属性情報をどのように交換して正確なリカバリを行うかを示す。
また、共同確率を最大化する反復的クラスタリングアルゴリズムも提示する。
論文 参考訳（メタデータ） (2023-10-30T16:46:05Z) - Collaborative Graph Neural Networks for Attributed Network Embedding [63.39495932900291]
グラフニューラルネットワーク(GNN)は、属性付きネットワーク埋め込みにおいて顕著な性能を示している。
本稿では,ネットワーク埋め込みに適したGNNアーキテクチャであるCulaborative graph Neural Networks-CONNを提案する。
論文 参考訳（メタデータ） (2023-07-22T04:52:27Z) - Learning Asymmetric Embedding for Attributed Networks via Convolutional
Neural Network [19.611523749659355]
AAGCNと呼ばれる畳み込みグラフニューラルネットワークに基づく新しい非対称属性ネットワーク埋め込みモデルを提案する。
主な考え方は、有向属性ネットワークの非対称な近接性と非対称な類似性を極大に保存することである。
ネットワーク再構成,リンク予測,ノード分類,可視化タスクのための実世界の3つのネットワーク上でのAAGCNの性能を検証した。
論文 参考訳（メタデータ） (2022-02-13T13:35:15Z) - Link Prediction with Contextualized Self-Supervision [63.25455976593081]
リンク予測は、ネットワーク内の2つのノード間のリンクの存在を推測することを目的としている。
従来のリンク予測アルゴリズムは、リンク空間、ノード属性ノイズ、ネットワークダイナミクスという3つの大きな課題によって妨げられている。
本稿では,リンク予測のための構造的コンテキスト予測を完全に活用する,コンテキスト適応型自己監視学習フレームワークを提案する。
論文 参考訳（メタデータ） (2022-01-25T03:12:32Z) - Reinforced Neighborhood Selection Guided Multi-Relational Graph Neural
Networks [68.9026534589483]
RioGNNはReinforceed, recursive, flexible neighborhood selection guided multi-relational Graph Neural Network architectureである。
RioGNNは、各関係の個々の重要性の認識により、説明性を高めた差別的なノード埋め込みを学ぶことができる。
論文 参考訳（メタデータ） (2021-04-16T04:30:06Z) - On the use of local structural properties for improving the efficiency
of hierarchical community detection methods [77.34726150561087]
本研究では,階層型コミュニティ検出の効率向上のために,局所構造ネットワーク特性をプロキシとして利用する方法について検討する。
また,ネットワークプルーニングの性能への影響を,階層的コミュニティ検出をより効率的にするための補助的手法として検証する。
論文 参考訳（メタデータ） (2020-09-15T00:16:12Z) - Learning Connectivity of Neural Networks from a Topological Perspective [80.35103711638548]
本稿では,ネットワークを解析のための完全なグラフに表現するためのトポロジ的視点を提案する。
接続の規模を反映したエッジに学習可能なパラメータを割り当てることにより、学習プロセスを異なる方法で行うことができる。
この学習プロセスは既存のネットワークと互換性があり、より大きな検索空間と異なるタスクへの適応性を持っている。
論文 参考訳（メタデータ） (2020-08-19T04:53:31Z) - DINE: A Framework for Deep Incomplete Network Embedding [33.97952453310253]
本稿では,ディープ不完全ネットワーク埋め込み,すなわちDINEを提案する。
まず、期待最大化フレームワークを用いて、部分的に観測可能なネットワーク内のノードとエッジの両方を含む欠落部分を完成させる。
マルチラベル分類およびリンク予測タスクにおいて,DINEを3つのネットワーク上で評価する。
論文 参考訳（メタデータ） (2020-08-09T04:59:35Z) - Graph Prototypical Networks for Few-shot Learning on Attributed Networks [72.31180045017835]
グラフメタ学習フレームワーク - Graph Prototypeal Networks (GPN) を提案する。
GPNは、属性付きネットワーク上でテキストミータ学習を行い、ターゲット分類タスクを扱うための高度に一般化可能なモデルを導出する。
論文 参考訳（メタデータ） (2020-06-23T04:13:23Z) - Adversarial Deep Network Embedding for Cross-network Node Classification [27.777464531860325]
クロスネットワークノード分類は、ソースネットワークからの豊富なラベル付きノードを活用し、ターゲットネットワーク内のラベルなしノードの分類を支援する。
本稿では, 対向ドメイン適応とディープネットワーク埋め込みを統合するための, 対向クロスネットワークディープネットワーク埋め込みモデルを提案する。
提案したACDNEモデルは,ネットワーク間ノード分類における最先端性能を実現する。
論文 参考訳（メタデータ） (2020-02-18T04:30:43Z) - Investigating the Compositional Structure Of Deep Neural Networks [1.8899300124593645]
本稿では,一方向線形活性化関数の構成構造に基づく新しい理論的枠組みを提案する。
予測ラベルと予測に使用する特定の(線形)変換の両方に関して、入力データのインスタンスを特徴付けることができる。
MNISTデータセットの予備テストでは、ニューラルネットワークの内部表現における類似性に関して、入力インスタンスをグループ化することが可能である。
論文 参考訳（メタデータ） (2020-02-17T14:16:17Z)
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。