論文の概要: Towards Higher-order Topological Consistency for Unsupervised Network Alignment

• arxiv url: http://arxiv.org/abs/2208.12463v1
• Date: Fri, 26 Aug 2022 07:09:13 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-29 13:37:17.670281
• Title: Towards Higher-order Topological Consistency for Unsupervised Network Alignment
• Title（参考訳）: 教師なしネットワークアライメントのための高次位相整合性を目指して
• Authors: Qingqiang Sun, Xuemin Lin, Ying Zhang, Wenjie Zhang, Chaoqi Chen
• Abstract要約: 完全教師なしネットワークアライメントフレームワークであるHTCを提案する。 提案した高次位相整合性は、エッジ軌道に基づいて定式化される。 エンコーダはマルチビット対応に訓練され、さらに信頼性の高いアンカーリンクを特定するように洗練される。
• 参考スコア（独自算出の注目度）: 41.763907024585926
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Network alignment task, which aims to identify corresponding nodes in different networks, is of great significance for many subsequent applications. Without the need for labeled anchor links, unsupervised alignment methods have been attracting more and more attention. However, the topological consistency assumptions defined by existing methods are generally low-order and less accurate because only the edge-indiscriminative topological pattern is considered, which is especially risky in an unsupervised setting. To reposition the focus of the alignment process from low-order to higher-order topological consistency, in this paper, we propose a fully unsupervised network alignment framework named HTC. The proposed higher-order topological consistency is formulated based on edge orbits, which is merged into the information aggregation process of a graph convolutional network so that the alignment consistencies are transformed into the similarity of node embeddings. Furthermore, the encoder is trained to be multi-orbit-aware and then be refined to identify more trusted anchor links. Node correspondence is comprehensively evaluated by integrating all different orders of consistency. {In addition to sound theoretical analysis, the superiority of the proposed method is also empirically demonstrated through extensive experimental evaluation. On three pairs of real-world datasets and two pairs of synthetic datasets, our HTC consistently outperforms a wide variety of unsupervised and supervised methods with the least or comparable time consumption. It also exhibits robustness to structural noise as a result of our multi-orbit-aware training mechanism.
• Abstract（参考訳）: ネットワークアライメントタスクは、異なるネットワーク内の対応するノードを識別することを目的としており、その後の多くのアプリケーションにとって非常に重要である。 ラベル付きアンカーリンクを必要としないため、教師なしアライメント手法はますます注目を集めている。 しかし、既存の方法によって定義される位相的一貫性の仮定は一般に低次であり、エッジ非差別的位相的パターンのみが考慮されるため正確ではない。 本稿では,低次から高次のトポロジカル整合性へのアライメントプロセスの焦点を再配置するために,HTC というネットワークアライメントフレームワークを提案する。 提案する高階位相整合性は、エッジ軌道に基づいて定式化され、グラフ畳み込みネットワークの情報集約プロセスにマージされ、アライメント構成がノード埋め込みの類似性に変換される。 さらに、エンコーダはマルチビット対応に訓練され、さらに信頼性の高いアンカーリンクを特定するように洗練される。 ノード対応は、すべての異なる一貫性の順序を統合することで包括的に評価される。 2) 音理論解析に加えて, 実験により提案手法の優位性を実証的に評価した。 3組の現実世界のデータセットと2組の合成データセットで、HTCは最小または同等の時間消費で、さまざまな教師なしおよび教師なしの手法を一貫して上回っている。 また,マルチ軌道アウェアトレーニング機構の結果として,構造雑音に対するロバスト性を示す。

関連論文リスト

• Network Topology Inference from Smooth Signals Under Partial Observability [17.491343739469627]
  部分的に観測されたノードを持つ滑らかな信号からネットワークトポロジを推定することは、データサイエンスとエンジニアリングにおいて重要な問題である。 本稿では,列間隔正規化に基づく1次アルゴリズムフレームワークと,低ランク制約に基づく1次アルゴリズムフレームワークを提案する。 我々は、理論収束保証を確立し、アルゴリズムの線形収束率を実証する。
  論文  参考訳（メタデータ） (2024-10-08T06:00:04Z)
• OCMG-Net: Neural Oriented Normal Refinement for Unstructured Point Clouds [18.234146052486054]
  非構造点雲から指向性正規項を推定するための頑健な精錬法を提案する。 我々のフレームワークは、初期指向の正規性を洗練させるために、特徴空間に符号配向とデータ拡張を組み込んでいる。 従来手法に存在した騒音による方向の不整合の問題に対処するため, チャンファー正規距離と呼ばれる新しい指標を導入する。
  論文  参考訳（メタデータ） (2024-09-02T09:30:02Z)
• LoRA-Ensemble: Efficient Uncertainty Modelling for Self-attention Networks [52.46420522934253]
  本稿では,自己注意ネットワークのためのパラメータ効率の高いディープアンサンブル手法であるLoRA-Ensembleを紹介する。 全メンバー間で重みを共有できる1つの事前学習型自己注意ネットワークを利用することで、注意投影のために、メンバー固有の低ランク行列を訓練する。 提案手法は明示的なアンサンブルよりも優れたキャリブレーションを示し,様々な予測タスクやデータセットに対して類似あるいは良好な精度を実現する。
  論文  参考訳（メタデータ） (2024-05-23T11:10:32Z)
• Interacting Particle Systems on Networks: joint inference of the network and the interaction kernel [8.535430501710712]
  エージェント間の相互作用のルールを決定するネットワークとシステムの重み行列を推論する。 我々は2つのアルゴリズムを使用する: 1つは演算子回帰と呼ばれる新しいアルゴリズムで、最小2乗のデータを交互に更新する。 どちらのアルゴリズムも、識別可能性と適正性を保証するスケーラブルな条件である。
  論文  参考訳（メタデータ） (2024-02-13T12:29:38Z)
• Scalable Hierarchical Over-the-Air Federated Learning [3.8798345704175534]
  この研究は、干渉とデバイスデータの不均一性の両方を扱うために設計された新しい2段階学習手法を導入する。 本稿では,提案アルゴリズムの収束を導出するための包括的数学的アプローチを提案する。 干渉とデータの不均一性にもかかわらず、提案アルゴリズムは様々なパラメータに対して高い学習精度を実現する。
  論文  参考訳（メタデータ） (2022-11-29T12:46:37Z)
• The Sample Complexity of One-Hidden-Layer Neural Networks [57.6421258363243]
  本研究では,スカラー値を持つ一層ネットワークのクラスとユークリッドノルムで有界な入力について検討する。 隠蔽層重み行列のスペクトルノルムの制御は、一様収束を保証するには不十分であることを示す。 スペクトルノルム制御が十分であることを示す2つの重要な設定を解析する。
  論文  参考訳（メタデータ） (2022-02-13T07:12:02Z)
• Equilibrated Zeroth-Order Unrolled Deep Networks for Accelerated MRI [14.586911990418624]
  近年,モデル駆動型ディープラーニングは正規化モデルの反復アルゴリズムをカスケードネットワークに展開している。 理論上、一階情報が置換されたネットワークモジュールと一致するような機能正規化器は必ずしも存在しない。 本稿では,ネットワークアンローリングにおけるセーフガード手法を提案する。
  論文  参考訳（メタデータ） (2021-12-18T09:47:19Z)
• Semi-supervised Domain Adaptive Structure Learning [72.01544419893628]
  半教師付きドメイン適応 (SSDA) は,1) アノテーションの低いデータに過度に適合する手法と,2) ドメイン間の分散シフトの両方を克服しなければならない課題である。 SSLとDAの協調を正規化するための適応型構造学習手法を提案する。
  論文  参考訳（メタデータ） (2021-12-12T06:11:16Z)
• Higher Performance Visual Tracking with Dual-Modal Localization [106.91097443275035]
  Visual Object Tracking (VOT)は、堅牢性と正確性の両方に同期性を必要とする。 ONRによるロバストなローカリゼーション抑制器とOFCによるターゲットセンターへの正確なローカリゼーションにより、ターゲットローカリゼーションのためのデュアルモーダルフレームワークを提案します。
  論文  参考訳（メタデータ） (2021-03-18T08:47:56Z)
• Discretization-Aware Architecture Search [81.35557425784026]
  本稿では,離散化対応アーキテクチャサーチ(DAtextsuperscript2S)を提案する。 中心となる考え方は、超ネットワークを所望のトポロジの構成に向けることであり、離散化による精度損失がほとんど軽減される。 標準画像分類ベンチマークの実験は、我々のアプローチの優位性を実証している。
  論文  参考訳（メタデータ） (2020-07-07T01:18:58Z)

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。