論文の概要: CAPER: Coarsen, Align, Project, Refine - A General Multilevel Framework
for Network Alignment
- arxiv url: http://arxiv.org/abs/2208.10682v1
- Date: Tue, 23 Aug 2022 02:04:56 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-24 14:13:54.804905
- Title: CAPER: Coarsen, Align, Project, Refine - A General Multilevel Framework
for Network Alignment
- Title（参考訳）: caper: roughn, align, project, refine - ネットワークアライメントのための汎用マルチレベルフレームワーク
- Authors: Jing Zhu, Danai Koutra, Mark Heimann
- Abstract要約: 複数のグラフ解像度をまたいだアライメント整合性を実現することにより,CAPERは様々なネットワークアライメントアルゴリズムを改善することができることを示す。
実験により、CAPERは様々なネットワークアライメント手法を平均33%の精度で改善し、実行時に桁違いに高速に処理できることが示されている。
- 参考スコア（独自算出の注目度）: 16.309222568897383
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Network alignment, or the task of finding corresponding nodes in different
networks, is an important problem formulation in many application domains. We
propose CAPER, a multilevel alignment framework that Coarsens the input graphs,
Aligns the coarsened graphs, Projects the alignment solution to finer levels
and Refines the alignment solution. We show that CAPER can improve upon many
different existing network alignment algorithms by enforcing alignment
consistency across multiple graph resolutions: nodes matched at finer levels
should also be matched at coarser levels. CAPER also accelerates the use of
slower network alignment methods, at the modest cost of linear-time coarsening
and refinement steps, by allowing them to be run on smaller coarsened versions
of the input graphs. Experiments show that CAPER can improve upon diverse
network alignment methods by an average of 33% in accuracy and/or an order of
magnitude faster in runtime.
- Abstract（参考訳）: ネットワークアライメント(または異なるネットワーク内の対応するノードを見つけるタスク)は、多くのアプリケーションドメインにおいて重要な問題定式化である。
入力グラフをコーセンサし、粗いグラフをアライメントし、アライメントソリューションを細かなレベルに計画し、アライメントソリューションを再定義する多層アライメントフレームワークであるCAPERを提案する。
本稿では,複数のグラフ解像度にまたがるアライメント一貫性を強制することにより,caperは既存のネットワークアライメントアルゴリズムを多種多様に改善できることを示す。
CAPERはまた、より遅いネットワークアライメント手法の使用を、より小さな粗い入力グラフ上で実行できるようにすることで、線形時間粗い処理と洗練された処理の最小コストで促進する。
実験の結果、CAPERは様々なネットワークアライメント手法を平均33%の精度で改善し、実行時に桁違いに高速に処理できることがわかった。
関連論文リスト
- Equivariant Deep Weight Space Alignment [54.65847470115314]
本稿では,ウェイトアライメント問題を解決するための学習を目的とした新しいフレームワークを提案する。
まず、重み調整が2つの基本対称性に一致することを証明し、それからこれらの対称性を尊重する深いアーキテクチャを提案する。
論文 参考訳（メタデータ） (2023-10-20T10:12:06Z) - Federated Multi-Level Optimization over Decentralized Networks [55.776919718214224]
エージェントが隣人としか通信できないネットワーク上での分散マルチレベル最適化の問題について検討する。
ネットワーク化されたエージェントが1つの時間スケールで異なるレベルの最適化問題を解くことができる新しいゴシップに基づく分散マルチレベル最適化アルゴリズムを提案する。
提案アルゴリズムは, ネットワークサイズと線形にスケーリングし, 各種アプリケーション上での最先端性能を示す。
論文 参考訳（メタデータ） (2023-10-10T00:21:10Z) - Hierarchical Multi-Marginal Optimal Transport for Network Alignment [52.206006379563306]
マルチネットワークアライメントは,複数ネットワーク上での協調学習に必須の要件である。
マルチネットワークアライメントのための階層型マルチマージ最適トランスポートフレームワークHOTを提案する。
提案するHOTは,有効性とスケーラビリティの両面で,最先端の大幅な改善を実現している。
論文 参考訳（メタデータ） (2023-10-06T02:35:35Z) - T-GAE: Transferable Graph Autoencoder for Network Alignment [79.89704126746204]
T-GAEはグラフオートエンコーダフレームワークで、GNNの転送性と安定性を活用して、再トレーニングなしに効率的なネットワークアライメントを実現する。
実験の結果、T-GAEは最先端の最適化手法と最高のGNN手法を最大38.7%、50.8%で上回っていることがわかった。
論文 参考訳（メタデータ） (2023-10-05T02:58:29Z) - Let the Flows Tell: Solving Graph Combinatorial Optimization Problems
with GFlowNets [86.43523688236077]
組合せ最適化(CO)問題はしばしばNPハードであり、正確なアルゴリズムには及ばない。
GFlowNetsは、複合非正規化密度を逐次サンプリングする強力な機械として登場した。
本稿では,異なる問題に対してマルコフ決定プロセス(MDP)を設計し,条件付きGFlowNetを学習して解空間からサンプルを作成することを提案する。
論文 参考訳（メタデータ） (2023-05-26T15:13:09Z) - SMGRL: Scalable Multi-resolution Graph Representation Learning [1.878741798127168]
グラフ畳み込みネットワーク(GCN)により、トポロジ的に認識されたノードの埋め込みを学習できる。
追加レイヤを追加することなく、ノード間の長距離依存関係をキャプチャすることはできない。
マルチレゾリューションノードの埋め込みを効率的に学習できるスケーラブルなマルチレゾリューショングラフ表現学習フレームワークを提案する。
論文 参考訳（メタデータ） (2022-01-29T21:48:48Z) - G-CREWE: Graph CompREssion With Embedding for Network Alignment [18.200401309702173]
本稿では,ネットワークアライメント問題を解決するG-CREWEというフレームワークを提案する。
G-CREWEはノード埋め込みを使用して、ネットワークを2段階の解像度で整列させる。
また,MERGEと呼ばれる新しい圧縮機構を提案し,入力ネットワークのサイズを小さくする。
論文 参考訳（メタデータ） (2020-07-30T05:30:21Z) - CONE-Align: Consistent Network Alignment with Proximity-Preserving Node
Embedding [13.339419391855692]
本研究では,ネットワーク内近接をノード埋め込みとモデル化し,組込み部分空間を整列させた後にノード間のマッチングを行うCONE-Alignを提案する。
多様な挑戦的なデータセットの実験は、CONE-Alignが堅牢であり、最高のパフォーマンスのグラフアライメントアルゴリズムよりも平均19.25%高い精度が得られることを示している。
論文 参考訳（メタデータ） (2020-05-10T17:37:27Z) - Network Adjustment: Channel Search Guided by FLOPs Utilization Ratio [101.84651388520584]
本稿では,ネットワークの精度をFLOPの関数として考慮した,ネットワーク調整という新しいフレームワークを提案する。
標準画像分類データセットと幅広いベースネットワークの実験は、我々のアプローチの有効性を実証している。
論文 参考訳（メタデータ） (2020-04-06T15:51:00Z)
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。