論文の概要: A Temporal Graphlet Kernel for Classifying Dissemination in Evolving Networks

• arxiv url: http://arxiv.org/abs/2209.07332v1
• Date: Mon, 12 Sep 2022 15:29:34 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-16 13:40:08.601952
• Title: A Temporal Graphlet Kernel for Classifying Dissemination in Evolving Networks
• Title（参考訳）: 進化するネットワークにおける拡散を分類する時間的グラフレットカーネル
• Authors: Lutz Oettershagen, Nils M. Kriege, Claude Jordan, Petra Mutzel
• Abstract要約: ラベル付き時間グラフにおける拡散過程を分類するための時空間グラフレットカーネルを導入する。 我々は,カーネルの計算速度が向上し,最先端の手法よりも精度が高いことを示す。
• 参考スコア（独自算出の注目度）: 5.266674234249913
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We introduce the \emph{temporal graphlet kernel} for classifying dissemination processes in labeled temporal graphs. Such dissemination processes can be spreading (fake) news, infectious diseases, or computer viruses in dynamic networks. The networks are modeled as labeled temporal graphs, in which the edges exist at specific points in time, and node labels change over time. The classification problem asks to discriminate dissemination processes of different origins or parameters, e.g., infectious diseases with different infection probabilities. Our new kernel represents labeled temporal graphs in the feature space of temporal graphlets, i.e., small subgraphs distinguished by their structure, time-dependent node labels, and chronological order of edges. We introduce variants of our kernel based on classes of graphlets that are efficiently countable. For the case of temporal wedges, we propose a highly efficient approximative kernel with low error in expectation. We show that our kernels are faster to compute and provide better accuracy than state-of-the-art methods.
• Abstract（参考訳）: ラベル付き時間グラフの拡散過程を分類するために, \emph{temporal graphlet kernel} を導入する。 このような拡散過程は、動的ネットワークにおいてニュース、感染症、コンピュータウイルスを拡散(フェイク)することができる。 ネットワークはラベル付きテンポラリグラフとしてモデル化され、エッジは特定の時点に存在し、ノードラベルは時間とともに変化する。 分類問題は、感染確率の異なる感染症など、異なる起源やパラメータの拡散過程を識別することを要求する。 新しいカーネルは、時間グラフの特徴空間、すなわち、その構造、時間依存ノードラベル、エッジの時系列順で区別される小さなサブグラフにラベル付けされた時間グラフを表す。 効率よく可算であるグラフレットのクラスに基づいて、カーネルの変種を紹介します。 時間的ウェッジの場合,予測誤差の少ない高効率な近似カーネルを提案する。 我々のカーネルは計算が速く、最先端の手法よりも精度が高いことを示す。

関連論文リスト

• Cell Graph Transformer for Nuclei Classification [78.47566396839628]
  我々は,ノードとエッジを入力トークンとして扱うセルグラフ変換器(CGT)を開発した。 不愉快な特徴は、騒々しい自己注意スコアと劣等な収束につながる可能性がある。 グラフ畳み込みネットワーク(GCN)を利用して特徴抽出器を学習する新しいトポロジ対応事前学習法を提案する。
  論文  参考訳（メタデータ） (2024-02-20T12:01:30Z)
• Learning to Approximate Adaptive Kernel Convolution on Graphs [4.434835769977399]
  本稿では,拡散カーネルのスケールによって特徴集約の範囲を制御できる拡散学習フレームワークを提案する。 本モデルは,最先端データセットの性能評価のためのノードワイズ分類のための様々な標準で検証されている。 グラフ分類のための実世界の脳ネットワークデータにも検証され、アルツハイマー分類の実用性を実証している。
  論文  参考訳（メタデータ） (2024-01-22T10:57:11Z)
• GNN-LoFI: a Novel Graph Neural Network through Localized Feature-based Histogram Intersection [51.608147732998994]
  グラフニューラルネットワークは、グラフベースの機械学習の選択フレームワークになりつつある。 本稿では,古典的メッセージパッシングに代えて,ノード特徴の局所分布を解析するグラフニューラルネットワークアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2024-01-17T13:04:23Z)
• NodeFormer: A Scalable Graph Structure Learning Transformer for Node Classification [70.51126383984555]
  本稿では,任意のノード間のノード信号を効率的に伝搬する全ペアメッセージパッシング方式を提案する。 効率的な計算は、カーナライズされたGumbel-Softmax演算子によって実現される。 グラフ上のノード分類を含む様々なタスクにおいて,本手法の有望な有効性を示す実験を行った。
  論文  参考訳（メタデータ） (2023-06-14T09:21:15Z)
• Towards Real-Time Temporal Graph Learning [10.647431919265346]
  本稿では、時間グラフ構築を行い、低次元ノード埋め込みを生成し、オンライン環境でニューラルネットワークモデルを訓練するエンドツーエンドグラフ学習パイプラインを提案する。
  論文  参考訳（メタデータ） (2022-10-08T22:14:31Z)
• Graph Kernel Neural Networks [53.91024360329517]
  本稿では、グラフ上の内部積を計算するカーネル関数であるグラフカーネルを用いて、標準畳み込み演算子をグラフ領域に拡張することを提案する。 これにより、入力グラフの埋め込みを計算する必要のない完全に構造的なモデルを定義することができる。 私たちのアーキテクチャでは,任意の種類のグラフカーネルをプラグインすることが可能です。
  論文  参考訳（メタデータ） (2021-12-14T14:48:08Z)
• Provenance Graph Kernel [0.0]
  本稿では,プロフェランスカーネルと呼ばれる新しいグラフカーネルを紹介する。 プロフェランスグラフを、あるノードに根付いたツリーパターンに分解する。 エッジとノードのラベルを根から一定の距離まで考える。
  論文  参考訳（メタデータ） (2020-10-20T15:07:30Z)
• Time-varying Graph Representation Learning via Higher-Order Skip-Gram with Negative Sampling [0.456877715768796]
  我々は,スキップグラム埋め込み手法が行列分解を暗黙的に行うという事実に基づいて構築する。 負のサンプリングを持つ高次スキップグラムは、ノードと時間の役割を乱すことができることを示す。 提案手法を時間分解型対面近接データを用いて実証的に評価し,学習した時間変化グラフ表現が最先端の手法より優れていることを示す。
  論文  参考訳（メタデータ） (2020-06-25T12:04:48Z)
• Structural Temporal Graph Neural Networks for Anomaly Detection in Dynamic Graphs [54.13919050090926]
  本稿では,動的グラフの異常エッジを検出するために,エンドツーエンドの時間構造グラフニューラルネットワークモデルを提案する。 特に,まずターゲットエッジを中心にした$h$ホップ囲むサブグラフを抽出し,各ノードの役割を識別するノードラベル機能を提案する。 抽出した特徴に基づき,GRU(Gated Recurrent Unit)を用いて,異常検出のための時間的情報を取得する。
  論文  参考訳（メタデータ） (2020-05-15T09:17:08Z)
• Convolutional Kernel Networks for Graph-Structured Data [37.13712126432493]
  我々は,多層グラフカーネルのファミリーを導入し,グラフ畳み込みニューラルネットワークとカーネルメソッドの新たなリンクを確立する。 提案手法は,グラフをカーネル特徴写像の列として表現することにより,畳み込みカーネルネットワークをグラフ構造データに一般化する。 我々のモデルは、大規模データに対してエンドツーエンドでトレーニングすることもでき、新しいタイプのグラフ畳み込みニューラルネットワークをもたらす。
  論文  参考訳（メタデータ） (2020-03-11T09:44:03Z)
• Block-Approximated Exponential Random Graphs [77.4792558024487]
  指数乱グラフ(ERG)の分野における重要な課題は、大きなグラフ上の非自明なERGの適合である。 本稿では,非自明なERGに対する近似フレームワークを提案する。 我々の手法は、数百万のノードからなるスパースグラフにスケーラブルである。
  論文  参考訳（メタデータ） (2020-02-14T11:42:16Z)

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。