論文の概要: Grad-Align+: Empowering Gradual Network Alignment Using Attribute Augmentation

• arxiv url: http://arxiv.org/abs/2208.11025v2
• Date: Wed, 24 Aug 2022 07:20:35 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-25 10:25:51.698226
• Title: Grad-Align+: Empowering Gradual Network Alignment Using Attribute Augmentation
• Title（参考訳）: Grad-Align+:Attribute Augmentation を用いたGradual Network Alignment の強化
• Authors: Jin-Duk Park, Cong Tran, Won-Yong Shin, Xin Cao
• Abstract要約: ネットワークアライメント(NA)は、異なるネットワークにまたがるノード対応を発見するタスクである。 ノード属性拡張を用いた新しいNA法であるGrad-Align+を提案する。 以上の結果から,Grad-Align+は(a)ベンチマークNA法よりも優れていること,(b)理論的な結果の実証的検証,(c)属性拡張モジュールの有効性を示す。
• 参考スコア（独自算出の注目度）: 4.536868213405015
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Network alignment (NA) is the task of discovering node correspondences across different networks. Although NA methods have achieved remarkable success in a myriad of scenarios, their satisfactory performance is not without prior anchor link information and/or node attributes, which may not always be available. In this paper, we propose Grad-Align+, a novel NA method using node attribute augmentation that is quite robust to the absence of such additional information. Grad-Align+ is built upon a recent state-of-the-art NA method, the so-called Grad-Align, that gradually discovers only a part of node pairs until all node pairs are found. Specifically, Grad-Align+ is composed of the following key components: 1) augmenting node attributes based on nodes' centrality measures, 2) calculating an embedding similarity matrix extracted from a graph neural network into which the augmented node attributes are fed, and 3) gradually discovering node pairs by calculating similarities between cross-network nodes with respect to the aligned cross-network neighbor-pair. Experimental results demonstrate that Grad-Align+ exhibits (a) superiority over benchmark NA methods, (b) empirical validation of our theoretical findings, and (c) the effectiveness of our attribute augmentation module.
• Abstract（参考訳）: ネットワークアライメント(NA)は、異なるネットワーク間のノード対応を見つけるタスクである。 naメソッドは無数のシナリオで目覚ましい成功を収めているが、その十分な性能はアンカーリンク情報と/またはノード属性がなければ得られず、必ずしも利用可能とは限らない。 本稿では,ノード属性拡張を用いた新しいNA法であるGrad-Align+を提案する。 Grad-Align+は、最新の最先端NA法であるGrad-Alignに基づいており、すべてのノードペアが見つかるまで、徐々にノードペアの一部だけを発見する。 具体的には、grad-align+は以下のキーコンポーネントで構成されている。 1)ノードの集中度尺度に基づくノード属性の増強。 2)拡張ノード属性が供給されるグラフニューラルネットワークから抽出された埋め込み類似性行列を計算し、 3) クロスネットワークノード間の類似性を計算することで, ノードペアを徐々に発見する。 grad-align+が示す実験結果 (a)ベンチマークNAメソッドよりも優れている。 b) 理論的知見の実証的検証,及び (c)属性拡張モジュールの有効性について検討した。

関連論文リスト

• AGHINT: Attribute-Guided Representation Learning on Heterogeneous Information Networks with Transformer [4.01252998015631]
  本稿では,ノード間特性の相違がベンチマークタスクにおけるHGNNの性能に与える影響について検討する。 我々はTransformer (AGHINT) を用いたAttribute-Guidous Information Networks表現学習モデルを提案する。 AGHINTは、学習プロセスに高次の類似した特徴を直接統合することで、元のグラフ構造の制約を超越する。
  論文  参考訳（メタデータ） (2024-04-16T10:30:48Z)
• NodeMixup: Tackling Under-Reaching for Graph Neural Networks [27.393295683072406]
  グラフニューラルネットワーク(GNN)は,半教師付きノード分類問題の解法として主流となっている。 グラフ内のラベル付きノードの位置分布が不均一であるため、ラベル付きノードはラベルなしノードのごく一部にしかアクセスできないため、アンファンダーリーチングの問題が発生する。 GNNのアンダーリーチングに取り組むために,NodeMixupと呼ばれるアーキテクチャに依存しない手法を提案する。
  論文  参考訳（メタデータ） (2023-12-20T13:56:27Z)
• Degree-based stratification of nodes in Graph Neural Networks [66.17149106033126]
  グラフニューラルネットワーク(GNN)アーキテクチャを変更して,各グループのノードに対して,重み行列を個別に学習する。 このシンプルな実装変更により、データセットとGNNメソッドのパフォーマンスが改善されているようだ。
  論文  参考訳（メタデータ） (2023-12-16T14:09:23Z)
• 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)
• Node Feature Augmentation Vitaminizes Network Alignment [13.52901288497192]
  ネットワークアライメント(NA)は、複数のネットワークにまたがるノード対応を発見するタスクである。 本稿では,最新のNA法であるGrad-Alignをベースとした新しいNA法であるGrad-Align+を提案する。 Grad-Align+は、1)ベースノード特徴増強(CNFA)、2)グラフニューラルネットワーク(GNN)支援埋め込み類似性計算、3)アライメントクロスネットワーク隣りペア(ACN)を用いた類似性計算による段階的NAである。
  論文  参考訳（メタデータ） (2023-04-25T11:59:19Z)
• On the Power of Gradual Network Alignment Using Dual-Perception Similarities [14.779474659172923]
  ネットワークアライメント(NA)は、ネットワーク構造とノード属性に基づいて、2つのネットワーク間のノードの対応を見つけるタスクである。 我々の研究は、既存のNA手法のほとんどが一度に全てのノード対を発見しようとしたため、ノード対応の暫定的な発見によって得られた情報を利用していないという事実に動機づけられている。 強い一貫性を示すノード対をフル活用することにより、ノード対を徐々に発見する新しいNA法であるGrad-Alignを提案する。
  論文  参考訳（メタデータ） (2022-01-26T14:01:32Z)
• Higher-Order Attribute-Enhancing Heterogeneous Graph Neural Networks [67.25782890241496]
  異種ネットワーク表現学習のための高次属性強化グラフニューラルネットワーク(HAEGNN)を提案する。 HAEGNNは、リッチで異質なセマンティクスのためのメタパスとメタグラフを同時に組み込む。 ノード分類、ノードクラスタリング、可視化における最先端の手法よりも優れたパフォーマンスを示す。
  論文  参考訳（メタデータ） (2021-04-16T04:56:38Z)
• 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)
• Unifying Graph Convolutional Neural Networks and Label Propagation [73.82013612939507]
  LPAとGCNの関係を特徴・ラベルの平滑化と特徴・ラベルの影響の2点の観点から検討した。 理論解析に基づいて,ノード分類のためのGCNとLCAを統一するエンドツーエンドモデルを提案する。 我々のモデルは、既存の特徴に基づく注目モデルよりもタスク指向のノードラベルに基づく学習注意重みと見なすこともできる。
  論文  参考訳（メタデータ） (2020-02-17T03:23:13Z)
• 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。