論文の概要: Associative Learning for Network Embedding
- arxiv url: http://arxiv.org/abs/2208.14376v1
- Date: Tue, 30 Aug 2022 16:35:45 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-31 12:34:31.661932
- Title: Associative Learning for Network Embedding
- Title（参考訳）: ネットワーク埋め込みのための連想学習
- Authors: Yuchen Liang, Dmitry Krotov, Mohammed J. Zaki
- Abstract要約: 新たな視点からネットワーク埋め込み手法を提案する。
ネットワークは各ノードの内容とそのノードの隣人との関係を学習する。
提案手法は,ノード分類やリンク予測などの下流タスクに対して評価を行う。
- 参考スコア（独自算出の注目度）: 20.873120242498292
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The network embedding task is to represent the node in the network as a
low-dimensional vector while incorporating the topological and structural
information. Most existing approaches solve this problem by factorizing a
proximity matrix, either directly or implicitly. In this work, we introduce a
network embedding method from a new perspective, which leverages Modern
Hopfield Networks (MHN) for associative learning. Our network learns
associations between the content of each node and that node's neighbors. These
associations serve as memories in the MHN. The recurrent dynamics of the
network make it possible to recover the masked node, given that node's
neighbors. Our proposed method is evaluated on different downstream tasks such
as node classification and linkage prediction. The results show competitive
performance compared to the common matrix factorization techniques and deep
learning based methods.
- Abstract（参考訳）: ネットワーク埋め込みタスクは、トポロジカルおよび構造情報を取り入れながら、ネットワーク内のノードを低次元ベクトルとして表現することである。
既存のほとんどのアプローチは、直接あるいは暗黙的に近接行列を分解することでこの問題を解決する。
本稿では,現代ホップフィールドネットワーク(mhn)を連想学習に活用した,新たな視点によるネットワーク埋め込み手法を提案する。
ネットワークは各ノードの内容とそのノードの隣人との関係を学習する。
これらの協会はMHNの記憶として機能する。
ネットワークのリカレントダイナミクスにより、ノードの隣接ノードを考えると、マスクされたノードをリカバリすることができる。
提案手法は,ノード分類やリンク予測などの下流タスクに対して評価を行う。
その結果,一般的な行列因子分解法やディープラーニングに基づく手法と比較して,競合性能が示された。
関連論文リスト
- 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) - Topic-aware latent models for representation learning on networks [5.304857921982132]
本稿では,トピックベース情報を用いたランダムウォークベースアプローチにより取得したノードの埋め込みを強化する汎用フレームワークであるTNEを紹介する。
提案手法はノード分類とリンク予測という2つのダウンストリームタスクで評価する。
論文 参考訳（メタデータ） (2021-11-10T08:52:52Z) - Network Representation Learning: From Preprocessing, Feature Extraction
to Node Embedding [9.844802841686105]
ネットワーク表現学習(NRL)は、ソーシャルネットワーク、知識グラフ、複雑なバイオメディカルおよび物理情報ネットワークの従来のグラフマイニングを進歩させる。
本稿では,同種ネットワーク上でのネットワーク表現学習における設計原理と異なるノード埋め込み手法について概説する。
論文 参考訳（メタデータ） (2021-10-14T17:46:37Z) - 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) - Dynamic Graph: Learning Instance-aware Connectivity for Neural Networks [78.65792427542672]
動的グラフネットワーク(DG-Net)は完全な有向非巡回グラフであり、ノードは畳み込みブロックを表し、エッジは接続経路を表す。
ネットワークの同じパスを使用する代わりに、DG-Netは各ノードの機能を動的に集約する。
論文 参考訳（メタデータ） (2020-10-02T16:50:26Z) - Learning Connectivity of Neural Networks from a Topological Perspective [80.35103711638548]
本稿では,ネットワークを解析のための完全なグラフに表現するためのトポロジ的視点を提案する。
接続の規模を反映したエッジに学習可能なパラメータを割り当てることにより、学習プロセスを異なる方法で行うことができる。
この学習プロセスは既存のネットワークと互換性があり、より大きな検索空間と異なるタスクへの適応性を持っている。
論文 参考訳（メタデータ） (2020-08-19T04:53:31Z) - DINE: A Framework for Deep Incomplete Network Embedding [33.97952453310253]
本稿では,ディープ不完全ネットワーク埋め込み,すなわちDINEを提案する。
まず、期待最大化フレームワークを用いて、部分的に観測可能なネットワーク内のノードとエッジの両方を含む欠落部分を完成させる。
マルチラベル分類およびリンク予測タスクにおいて,DINEを3つのネットワーク上で評価する。
論文 参考訳（メタデータ） (2020-08-09T04:59:35Z) - Graph Prototypical Networks for Few-shot Learning on Attributed Networks [72.31180045017835]
グラフメタ学習フレームワーク - Graph Prototypeal Networks (GPN) を提案する。
GPNは、属性付きネットワーク上でテキストミータ学習を行い、ターゲット分類タスクを扱うための高度に一般化可能なモデルを導出する。
論文 参考訳（メタデータ） (2020-06-23T04:13:23Z) - Adversarial Deep Network Embedding for Cross-network Node Classification [27.777464531860325]
クロスネットワークノード分類は、ソースネットワークからの豊富なラベル付きノードを活用し、ターゲットネットワーク内のラベルなしノードの分類を支援する。
本稿では, 対向ドメイン適応とディープネットワーク埋め込みを統合するための, 対向クロスネットワークディープネットワーク埋め込みモデルを提案する。
提案したACDNEモデルは,ネットワーク間ノード分類における最先端性能を実現する。
論文 参考訳（メタデータ） (2020-02-18T04:30:43Z) - A Block-based Generative Model for Attributed Networks Embedding [42.00826538556588]
本稿では,確率の観点から属性付きネットワーク埋め込みのためのブロックベース生成モデルを提案する。
ニューラルネットワークを用いてノード埋め込みとノード属性間の非線形性を特徴付ける。
その結果,提案手法はクラスタリングと分類タスクの両方において,最先端の埋め込み手法よりも一貫して優れていることがわかった。
論文 参考訳（メタデータ） (2020-01-06T03:44:15Z)
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。