論文の概要: Local Intrinsic Dimensionality Measures for Graphs, with Applications to Graph Embeddings

• arxiv url: http://arxiv.org/abs/2208.11986v2
• Date: Thu, 13 Jul 2023 12:40:11 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-14 20:07:24.707952
• Title: Local Intrinsic Dimensionality Measures for Graphs, with Applications to Graph Embeddings
• Title（参考訳）: グラフの局所固有次元度測定とグラフ埋め込みへの応用
• Authors: Milo\v{s} Savi\'c, Vladimir Kurbalija, Milo\v{s} Radovanovi\'c
• Abstract要約: NC-LIDは,ノードの自然群集を本質的な地域として,最短経路距離の識別力を定量化するための新しいLID関連尺度である。 ノード2ベックの2つの LID 弾性変種を定式化することにより, LID 対応グラフ埋め込みアルゴリズムを設計する方法について検討した。 実世界の多数のグラフ上でのNC-LIDの実証分析により,ノード中心性測定値よりも優れたノード2vec埋め込みにおいて,高いリンク再構成誤差を持つノードを指し示すことができることを示した。
• 参考スコア（独自算出の注目度）: 1.1602089225841632
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: The notion of local intrinsic dimensionality (LID) is an important advancement in data dimensionality analysis, with applications in data mining, machine learning and similarity search problems. Existing distance-based LID estimators were designed for tabular datasets encompassing data points represented as vectors in a Euclidean space. After discussing their limitations for graph-structured data considering graph embeddings and graph distances, we propose NC-LID, a novel LID-related measure for quantifying the discriminatory power of the shortest-path distance with respect to natural communities of nodes as their intrinsic localities. It is shown how this measure can be used to design LID-aware graph embedding algorithms by formulating two LID-elastic variants of node2vec with personalized hyperparameters that are adjusted according to NC-LID values. Our empirical analysis of NC-LID on a large number of real-world graphs shows that this measure is able to point to nodes with high link reconstruction errors in node2vec embeddings better than node centrality metrics. The experimental evaluation also shows that the proposed LID-elastic node2vec extensions improve node2vec by better preserving graph structure in generated embeddings.
• Abstract（参考訳）: 局所内在的次元性(LID)の概念は、データマイニング、機械学習、類似性探索問題に応用されたデータ次元解析における重要な進歩である。 既存の距離に基づくLID推定器はユークリッド空間のベクトルとして表されるデータポイントを含む表付きデータセットのために設計された。 グラフ埋め込みとグラフ距離を考慮したグラフ構造データに対する限界を議論した後,ノードの自然群落に対する最短経路距離の識別力の定量化のための新しいlid法であるnc-lidを提案する。 NC-LID値に応じて調整されたパーソナライズされたハイパーパラメータを持つノード2ベックの2つのLID弾性変種を定式化することにより、LID対応グラフ埋め込みアルゴリズムを設計するのにこの手法をどのように利用できるかを示す。 実世界の多数のグラフ上でのNC-LIDの実証分析により,ノード中心性測定値よりも優れたノード2vec埋め込みにおいて,高いリンク再構成誤差を持つノードを指し示すことができることを示した。 また,提案したLID-elastic node2vec拡張は,生成した埋め込みにおけるグラフ構造をよりよく保存することによりノード2vecを改善することを示す。

関連論文リスト

• Geodesic Distance Between Graphs: A Spectral Metric for Assessing the Stability of Graph Neural Networks [4.110108749051657]
  グラフニューラルネットワーク(GNN)の一般化と安定性を評価するためのグラフ測地距離(GGD)メトリクスを導入する。 提案したGGD測度は、2つのグラフ間の相違性を重要構造(スペクトル)特性の相違をカプセル化することにより効果的に定量化できることを示す。 提案したGGD測定値は,特に部分ノードの特徴のみが利用可能である場合,GNNの安定性評価の性能を著しく向上させる。
  論文  参考訳（メタデータ） (2024-06-15T04:47:40Z)
• Structure-aware Semantic Node Identifiers for Learning on Graphs [8.216962546682566]
  本稿では,構造認識型セマンティックノード識別子(ID)を離散符号の短いシーケンスで生成する新しいグラフトークン化フレームワークを提案する。 我々は,グラフニューラルネットワーク(GNN)の複数層から連続ノード埋め込みをコンパクトかつ有意義なコードに圧縮するために,ベクトル量子化を用いる。 その結果、ノードIDはグラフデータの高レベルな抽象化を捕捉し、GNNの効率性と解釈可能性を高める。
  論文  参考訳（メタデータ） (2024-05-26T05:22:38Z)
• Shape-Graph Matching Network (SGM-net): Registration for Statistical Shape Analysis [20.58923754314197]
  本稿では,形状グラフと呼ばれるデータオブジェクトの形状の統計的解析に着目する。 ここでの重要なニーズは、オブジェクト間のポイント(ノードからノード、エッジからエッジ)の制限された登録である。 本稿では,ニューラルネットアーキテクチャを用いて,この登録問題に対処する。
  論文  参考訳（メタデータ） (2023-08-14T00:42:03Z)
• BOURNE: Bootstrapped Self-supervised Learning Framework for Unified Graph Anomaly Detection [50.26074811655596]
  自己指導型自己学習(BOURNE)に基づく新しい統合グラフ異常検出フレームワークを提案する。 ノードとエッジ間のコンテキスト埋め込みを交換することで、ノードとエッジの異常を相互に検出できる。 BOURNEは、負のサンプリングを必要としないため、大きなグラフを扱う際の効率を高めることができる。
  論文  参考訳（メタデータ） (2023-07-28T00:44:57Z)
• Tree Mover's Distance: Bridging Graph Metrics and Stability of Graph Neural Networks [54.225220638606814]
  本稿では,属性グラフの擬似測度,ツリー・モーバー距離(TMD)を提案し,その一般化との関係について検討する。 まず、TMDはグラフ分類に関連する特性をキャプチャし、単純なTMD-SVMは標準のGNNと競合することを示す。 第2に、分散シフトの下でのGNNの一般化とTMDを関連付け、そのようなシフト下での性能低下とよく相関していることを示す。
  論文  参考訳（メタデータ） (2022-10-04T21:03:52Z)
• Interpolation-based Correlation Reduction Network for Semi-Supervised Graph Learning [49.94816548023729]
  補間型相関低減ネットワーク(ICRN)と呼ばれる新しいグラフコントラスト学習手法を提案する。 提案手法では,決定境界のマージンを大きくすることで,潜在特徴の識別能力を向上させる。 この2つの設定を組み合わせることで、豊富なラベル付きノードと稀に価値あるラベル付きノードから豊富な監視情報を抽出し、離散表現学習を行う。
  論文  参考訳（メタデータ） (2022-06-06T14:26:34Z)
• On a linear fused Gromov-Wasserstein distance for graph structured data [2.360534864805446]
  埋め込み間のユークリッド距離として定義される2つのグラフ間の新しい距離である線形FGWを提案する。 提案した距離の利点は2つある: 1) ノードの特徴とグラフの構造を考慮して、カーネルベースのフレームワークにおけるグラフ間の類似性を測定する。
  論文  参考訳（メタデータ） (2022-03-09T13:43:18Z)
• 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)
• Binarized Graph Neural Network [65.20589262811677]
  我々は二項化グラフニューラルネットワークを開発し、二項化ネットワークパラメータを用いてノードのバイナリ表現を学習する。 提案手法は既存のGNNベースの埋め込み手法にシームレスに統合できる。 実験により、提案された二項化グラフニューラルネットワーク、すなわちBGNは、時間と空間の両方の観点から、桁違いに効率的であることが示されている。
  論文  参考訳（メタデータ） (2020-04-19T09:43:14Z)
• 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。