論文の概要: Consensus Knowledge Graph Learning via Multi-view Sparse Low Rank Block
Model
- arxiv url: http://arxiv.org/abs/2209.13762v1
- Date: Wed, 28 Sep 2022 01:19:38 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-29 16:09:59.253384
- Title: Consensus Knowledge Graph Learning via Multi-view Sparse Low Rank Block
Model
- Title(参考訳): 多視点スパース低ランクブロックモデルによるコンセンサス知識グラフ学習
- Authors: Tianxi Cai, Dong Xia, Luwan Zhang and Doudou Zhou
- Abstract要約: ネットワーク分析は、多数のオブジェクト間の関係や相互作用を明らかにする強力なツールである。
しかし、重要なノードとノードの相互作用を正確に識別する効果は、急速に成長するネットワークサイズによって挑戦される。
本稿では、複数のデータソースを組み合わせることで、同時グループ化と接続解析の統一的なフレームワークを開発する。
- 参考スコア(独自算出の注目度): 12.234494052824921
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Network analysis has been a powerful tool to unveil relationships and
interactions among a large number of objects. Yet its effectiveness in
accurately identifying important node-node interactions is challenged by the
rapidly growing network size, with data being collected at an unprecedented
granularity and scale. Common wisdom to overcome such high dimensionality is
collapsing nodes into smaller groups and conducting connectivity analysis on
the group level. Dividing efforts into two phases inevitably opens a gap in
consistency and drives down efficiency. Consensus learning emerges as a new
normal for common knowledge discovery with multiple data sources available. To
this end, this paper features developing a unified framework of simultaneous
grouping and connectivity analysis by combining multiple data sources. The
algorithm also guarantees a statistically optimal estimator.
- Abstract(参考訳): ネットワーク分析は、多数のオブジェクト間の関係や相互作用を明らかにする強力なツールである。
しかし、重要なノードとノードの相互作用を正確に識別する効果は、急速に成長するネットワークサイズによって挑戦され、データが前例のない粒度とスケールで収集される。
このような高次元性を克服する共通の知恵は、ノードを小さなグループに分解し、グループレベルで接続解析を実行することである。
努力を2つのフェーズに分割することで、必然的に一貫性のギャップが開き、効率が低下する。
コンセンサス学習は、複数のデータソースが利用可能な共通知識発見の新しい標準として現れる。
この目的のために,複数のデータソースを組み合わせることで,同時グループ化と接続解析の統一的なフレームワークを開発する。
このアルゴリズムは統計的に最適な推定器も保証する。
関連論文リスト
- Unsupervised Graph Attention Autoencoder for Attributed Networks using
K-means Loss [0.0]
我々は、属性付きネットワークにおけるコミュニティ検出のための、教師なしのtextbfGraph Attention textbfAutotextbfEncoder に基づく、シンプルで効率的なクラスタリング指向モデルを提案する。
提案モデルは,ネットワークのトポロジと属性情報の両方から表現を十分に学習し,同時に2つの目的,すなわち再構築とコミュニティ発見に対処する。
論文 参考訳(メタデータ) (2023-11-21T20:45:55Z) - Snapshot Spectral Clustering -- a costless approach to deep clustering
ensembles generation [0.0]
本稿では,新しいディープ・クラスタリング・アンサンブル法であるSnapshot Spectral Clusteringを提案する。
アンサンブルを作成する際の計算コストを最小化しながら、複数のデータビューを組み合わせることで得られる利益を最大化するように設計されている。
論文 参考訳(メタデータ) (2023-07-17T16:01:22Z) - Distributed Learning over Networks with Graph-Attention-Based
Personalization [49.90052709285814]
分散ディープラーニングのためのグラフベースパーソナライズアルゴリズム(GATTA)を提案する。
特に、各エージェントのパーソナライズされたモデルは、グローバルな部分とノード固有の部分で構成される。
グラフ内の各エージェントを1つのノードとして扱うことにより、ノード固有のパラメータを特徴として扱うことにより、グラフアテンション機構の利点を継承することができる。
論文 参考訳(メタデータ) (2023-05-22T13:48:30Z) - Personalized Decentralized Multi-Task Learning Over Dynamic
Communication Graphs [59.96266198512243]
本稿では,正と負の相関関係を持つタスクに対する分散・フェデレーション学習アルゴリズムを提案する。
本アルゴリズムでは,タスク間の相関関係を自動的に計算し,コミュニケーショングラフを動的に調整して相互に有益なタスクを接続し,互いに悪影響を及ぼす可能性のあるタスクを分離する。
合成ガウスデータセットと大規模セレブ属性(CelebA)データセットについて実験を行った。
論文 参考訳(メタデータ) (2022-12-21T18:58:24Z) - GCN-based Multi-task Representation Learning for Anomaly Detection in
Attributed Networks [31.565081319419225]
近年、金融、ネットワークセキュリティ、医療など幅広い分野に応用されているため、属性付きネットワークにおける異常検出が注目されている。
従来のアプローチは、異常検出の問題を解決するために、属性付きネットワークの設定には適用できない。
マルチタスク学習を用いた異常検出の新しいアーキテクチャを提案する。
論文 参考訳(メタデータ) (2022-07-08T04:54:53Z) - Unveiling Anomalous Edges and Nominal Connectivity of Attributed
Networks [53.56901624204265]
本研究では、相補的な強さを持つ2つの異なる定式化を用いて、属性グラフの異常なエッジを明らかにする。
まず、グラフデータマトリックスを低ランクとスパースコンポーネントに分解することで、パフォーマンスを著しく向上させる。
第2は、乱れのないグラフを頑健に復元することにより、第1のスコープを広げ、異常識別性能を高める。
論文 参考訳(メタデータ) (2021-04-17T20:00:40Z) - Anomaly Detection on Attributed Networks via Contrastive Self-Supervised
Learning [50.24174211654775]
本論文では,アトリビュートネットワーク上の異常検出のためのコントラスト型自己監視学習フレームワークを提案する。
このフレームワークは、新しいタイプのコントラストインスタンスペアをサンプリングすることで、ネットワークデータからのローカル情報を完全に活用します。
高次元特性と局所構造から情報埋め込みを学習するグラフニューラルネットワークに基づくコントラスト学習モデルを提案する。
論文 参考訳(メタデータ) (2021-02-27T03:17:20Z) - Multi-modal AsynDGAN: Learn From Distributed Medical Image Data without
Sharing Private Information [55.866673486753115]
プライバシーとセキュリティを守るために拡張可能で弾力性のある学習フレームワークを提案します。
提案するフレームワークは分散Asynchronized Discriminator Generative Adrial Networks (AsynDGAN) である。
論文 参考訳(メタデータ) (2020-12-15T20:41:24Z) - 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)
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。