論文の概要: META-CODE: Community Detection via Exploratory Learning in Topologically Unknown Networks

• arxiv url: http://arxiv.org/abs/2208.11015v1
• Date: Tue, 23 Aug 2022 15:02:48 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-24 12:20:48.289882
• Title: META-CODE: Community Detection via Exploratory Learning in Topologically Unknown Networks
• Title（参考訳）: META-CODE: トポロジカルネットワークにおける探索学習によるコミュニティ検出
• Authors: Yu Hou, Cong Tran, Won-Yong Shin
• Abstract要約: META-CODEは、未知のトポロジを持つネットワーク内の重複するコミュニティを検出するエンドツーエンドのソリューションである。 1)ネットワークの初期推定,2)グラフニューラルネットワーク(GNN)に基づくノードレベルのコミュニティアフィリエイト埋め込み,3)コミュニティアフィリエイトベースのノードクエリによるネットワーク探索,の3つのステップで構成されている。
• 参考スコア（独自算出の注目度）: 5.299515147443958
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The discovery of community structures in social networks has gained considerable attention as a fundamental problem for various network analysis tasks. However, due to privacy concerns or access restrictions, the network structure is often unknown, thereby rendering established community detection approaches ineffective without costly data acquisition. To tackle this challenge, we present META-CODE, a novel end-to-end solution for detecting overlapping communities in networks with unknown topology via exploratory learning aided by easy-to-collect node metadata. Specifically, META-CODE consists of three steps: 1) initial network inference, 2) node-level community-affiliation embedding based on graph neural networks (GNNs) trained by our new reconstruction loss, and 3) network exploration via community-affiliation-based node queries, where Steps 2 and 3 are performed iteratively. Experimental results demonstrate that META-CODE exhibits (a) superiority over benchmark methods for overlapping community detection, (b) the effectiveness of our training model, and (c) fast network exploration.
• Abstract（参考訳）: ソーシャルネットワークにおけるコミュニティ構造の発見は,様々なネットワーク分析タスクの根本的問題として注目されている。 しかし、プライバシ上の懸念やアクセス制限のため、ネットワーク構造はしばしば不明であり、既存のコミュニティ検出アプローチをコストのかかるデータ取得なしに非効率にレンダリングする。 この課題に対処するために,我々は,ノードメタデータによる探索学習を通じて,未知のトポロジを持つネットワーク内の重複するコミュニティを検出する,新しいエンドツーエンドソリューションMETA-CODEを提案する。 具体的には、META-CODEは3つのステップから構成される。 1)初期ネットワーク推論。 2)新しい再構成損失を訓練したグラフニューラルネットワーク(gnns)に基づくノードレベルのコミュニティアフィリエーション埋め込み,および 3) コミュニティ対応型ノードクエリによるネットワーク探索では,ステップ2とステップ3を繰り返し実施する。 META-CODEが示す実験結果 (a)重複コミュニティ検出のためのベンチマーク手法よりも優れていること。 (b)トレーニングモデルの有効性、及び (c)高速ネットワーク探索。

関連論文リスト

• Unsupervised Graph Attention Autoencoder for Attributed Networks using K-means Loss [0.0]
  我々は、属性付きネットワークにおけるコミュニティ検出のための、教師なしのtextbfGraph Attention textbfAutotextbfEncoder に基づく、シンプルで効率的なクラスタリング指向モデルを提案する。 提案モデルは,ネットワークのトポロジと属性情報の両方から表現を十分に学習し,同時に2つの目的,すなわち再構築とコミュニティ発見に対処する。
  論文  参考訳（メタデータ） (2023-11-21T20:45:55Z)
• A Unified Framework for Exploratory Learning-Aided Community Detection Under Topological Uncertainty [16.280950663982107]
  META-CODEは、ソーシャルネットワークにおける重複コミュニティを検出する統合フレームワークである。 1)新たな再構築損失によってトレーニングされたグラフニューラルネットワーク(GNN)に基づくノードレベルのコミュニティアフィリエイト埋め込み,2)コミュニティアフィリエイトベースのノードクエリによるネットワーク探索,3)エッジ接続に基づくSiameseニューラルネットワークモデルを用いたネットワーク推論,の3つのステップで構成されている。
  論文  参考訳（メタデータ） (2023-04-10T10:22:21Z)
• CS-TGN: Community Search via Temporal Graph Neural Networks [0.0]
  本稿では,フレキシブルなコミュニティ構造をキャプチャ可能なクエリ駆動型時間グラフ畳み込みネットワーク(CS-TGN)を提案する。 CS-TGNはまず、ローカルクエリ依存構造と、ネットワークの各スナップショットにグローバルグラフを埋め込む。 我々は,このモデルをオンライン環境でインタラクティブなコミュニティ検索に活用する方法を実証する。
  論文  参考訳（メタデータ） (2023-03-15T22:23:32Z)
• MGTCOM: Community Detection in Multimodal Graphs [0.34376560669160383]
  MGTCOMは、ネットワーク埋め込み、コミュニティ、およびタンデム内のコミュニティの数を最適化するエンドツーエンドフレームワークである。 我々の手法は最先端技術に対して競争力があり、帰納的推論ではよく機能する。
  論文  参考訳（メタデータ） (2022-11-10T16:11:03Z)
• A Comprehensive Survey on Community Detection with Deep Learning [93.40332347374712]
  コミュニティは、ネットワーク内の他のコミュニティと異なるメンバーの特徴と接続を明らかにする。 この調査は、最先端の手法の様々なカテゴリをカバーする新しい分類法を考案し、提案する。 ディープニューラルネットワーク(Deep Neural Network)は、畳み込みネットワーク(convolutional network)、グラフアテンションネットワーク( graph attention network)、生成的敵ネットワーク(generative adversarial network)、オートエンコーダ(autoencoder)に分けられる。
  論文  参考訳（メタデータ） (2021-05-26T14:37:07Z)
• Anomaly Detection on Attributed Networks via Contrastive Self-Supervised Learning [50.24174211654775]
  本論文では,アトリビュートネットワーク上の異常検出のためのコントラスト型自己監視学習フレームワークを提案する。 このフレームワークは、新しいタイプのコントラストインスタンスペアをサンプリングすることで、ネットワークデータからのローカル情報を完全に活用します。 高次元特性と局所構造から情報埋め込みを学習するグラフニューラルネットワークに基づくコントラスト学習モデルを提案する。
  論文  参考訳（メタデータ） (2021-02-27T03:17:20Z)
• A Survey of Community Detection Approaches: From Statistical Modeling to Deep Learning [95.27249880156256]
  ネットワークコミュニティファイリング手法の統一アーキテクチャを開発し,提案する。 既存の手法を確率的グラフィカルモデルとディープラーニングという2つのカテゴリに分けた新しい分類法を提案する。 フィールドの課題の議論と今後の研究の方向性の提案を締めくくります。
  論文  参考訳（メタデータ） (2021-01-03T02:32:45Z)
• 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)
• Deep Learning for Community Detection: Progress, Challenges and Opportunities [79.26787486888549]
  この記事では、ディープニューラルネットワークにおける様々なフレームワーク、モデル、アルゴリズムの貢献について要約する。 この記事では、ディープニューラルネットワークにおける様々なフレームワーク、モデル、アルゴリズムの貢献について要約する。
  論文  参考訳（メタデータ） (2020-05-17T11:22:11Z)
• Detecting Communities in Heterogeneous Multi-Relational Networks:A Message Passing based Approach [89.19237792558687]
  コミュニティは、ソーシャルネットワーク、生物学的ネットワーク、コンピュータおよび情報ネットワークを含むネットワークの共通の特徴である。 我々は,全同種ネットワークのコミュニティを同時に検出する効率的なメッセージパッシングに基づくアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-04-06T17:36:24Z)

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。