論文の概要: Generative Models and Learning Algorithms for Core-Periphery Structured Graphs

• arxiv url: http://arxiv.org/abs/2210.01489v1
• Date: Tue, 4 Oct 2022 09:44:09 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-05 14:51:16.453633
• Title: Generative Models and Learning Algorithms for Core-Periphery Structured Graphs
• Title（参考訳）: コア周辺構造グラフの生成モデルと学習アルゴリズム
• Authors: Sravanthi Gurugubelli and Sundeep Prabhakar Chepuri
• Abstract要約: ノード属性と接続構造からグラフのコアスコアを学習することに注力する。 グラフ構造とノード属性の両方が利用できる場合、グラフのモデルパラメータとコアスコアを推定するアルゴリズムを開発する。
• 参考スコア（独自算出の注目度）: 13.90938823562779
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We consider core-periphery structured graphs, which are graphs with a group of densely and sparsely connected nodes, respectively, referred to as core and periphery nodes. The so-called core score of a node is related to the likelihood of it being a core node. In this paper, we focus on learning the core scores of a graph from its node attributes and connectivity structure. To this end, we propose two classes of probabilistic graphical models: affine and nonlinear. First, we describe affine generative models to model the dependence of node attributes on its core scores, which determine the graph structure. Next, we discuss nonlinear generative models in which the partial correlations of node attributes influence the graph structure through latent core scores. We develop algorithms for inferring the model parameters and core scores of a graph when both the graph structure and node attributes are available. When only the node attributes of graphs are available, we jointly learn a core-periphery structured graph and its core scores. We provide results from numerical experiments on several synthetic and real-world datasets to demonstrate the efficacy of the developed models and algorithms.
• Abstract（参考訳）: コア周辺構造グラフは、それぞれ、コアノードと周辺ノードと呼ばれる密結合ノード群と疎結合ノード群からなるグラフである。 ノードのいわゆるコアスコアは、それがコアノードである可能性に関連している。 本稿では,ノード属性と接続構造からグラフのコアスコアを学習することに焦点を当てる。 そこで本研究では,アフィンと非線形の2種類の確率的グラフィカルモデルを提案する。 まず、グラフ構造を決定するアフィン生成モデルを説明し、そのコアスコアに対するノード属性の依存性をモデル化する。 次に,ノード属性の部分相関が潜在コアスコアを通してグラフ構造に影響を与える非線形生成モデルについて述べる。 グラフ構造とノード属性の両方が利用可能である場合、グラフのモデルパラメータとコアスコアを推測するアルゴリズムを開発した。 グラフのノード属性のみが利用できる場合、コア周辺構造グラフとそのコアスコアを共同で学習する。 開発したモデルとアルゴリズムの有効性を示すために,複数の合成および実世界のデータセットに関する数値実験を行った。

関連論文リスト

• Saliency-Aware Regularized Graph Neural Network [39.82009838086267]
  グラフ分類のためのSAR-GNN(Saliency-Aware Regularized Graph Neural Network)を提案する。 まず,コンパクトなグラフ表現とノード特徴とのセマンティックな類似性を測定することで,グローバルノードの正当性を推定する。 そして、学習した塩分濃度分布を利用して、背骨の近傍集合を規則化する。
  論文  参考訳（メタデータ） (2024-01-01T13:44:16Z)
• GrannGAN: Graph annotation generative adversarial networks [72.66289932625742]
  本稿では,高次元分布をモデル化し,グラフスケルトンと整合した複雑な関係特徴構造を持つデータの新しい例を生成することの問題点を考察する。 提案するモデルは,タスクを2つのフェーズに分割することで,各データポイントのグラフ構造に制約されたデータ特徴を生成する問題に対処する。 第一に、与えられたグラフのノードに関連する機能の分布をモデル化し、第二に、ノードのフィーチャに条件付きでエッジ機能を補完する。
  論文  参考訳（メタデータ） (2022-12-01T11:49:07Z)
• Boosting Graph Structure Learning with Dummy Nodes [41.83708114701956]
  グラフカーネルとグラフニューラルネットワークをダミーノードで拡張し、グラフ分類とサブグラフ同型マッチングタスクの実験を行う。 このようなダミーノードは、効率的な一様エッジ-頂点変換とエピモルフィック逆を構築し、元のグラフを復元するのに役立つことを証明している。
  論文  参考訳（メタデータ） (2022-06-17T05:44:24Z)
• Graph Attention Retrospective [14.52271219759284]
  グラフベースの学習は、ソーシャルネットワーク、引用ネットワーク、バイオインフォマティクスに応用された機械学習の急速に成長するサブフィールドである。 本稿では,グラフ注意ネットワークの挙動を理論的に検討する。 ガウスの手段間の距離が十分大きい「容易」な体制では、グラフの注意はクラス内縁とクラス間縁を区別することができる。 硬い」体制では、すべての注意機構がクラス内エッジとクラス間エッジを区別できないことを示す。
  論文  参考訳（メタデータ） (2022-02-26T04:58:36Z)
• Learning Sparse Graphs with a Core-periphery Structure [14.112444998191698]
  本稿では,コア周辺構造ネットワークに関連するデータ生成モデルを提案する。 ネットワークのコア部分における密接な(疎い)接続を誘導するスパースグラフとニューダルコアスコアを推論する。
  論文  参考訳（メタデータ） (2021-10-08T10:41:30Z)
• Explicit Pairwise Factorized Graph Neural Network for Semi-Supervised Node Classification [59.06717774425588]
  本稿では,グラフ全体を部分的に観測されたマルコフ確率場としてモデル化するEPFGNN(Explicit Pairwise Factorized Graph Neural Network)を提案する。 出力-出力関係をモデル化するための明示的なペアワイズ要素を含み、入力-出力関係をモデル化するためにGNNバックボーンを使用する。 本研究では,グラフ上での半教師付きノード分類の性能を効果的に向上できることを示す。
  論文  参考訳（メタデータ） (2021-07-27T19:47:53Z)
• GraphSVX: Shapley Value Explanations for Graph Neural Networks [81.83769974301995]
  グラフニューラルネットワーク(GNN)は、幾何データに基づく様々な学習タスクにおいて大きな性能を発揮する。 本稿では,既存のGNN解説者の多くが満足する統一フレームワークを提案する。 GNN用に特別に設計されたポストホックローカルモデル非依存説明法であるGraphSVXを紹介します。
  論文  参考訳（メタデータ） (2021-04-18T10:40:37Z)
• Graph Pooling with Node Proximity for Hierarchical Representation Learning [80.62181998314547]
  本稿では,ノード近接を利用したグラフプーリング手法を提案し,そのマルチホップトポロジを用いたグラフデータの階層的表現学習を改善する。 その結果,提案したグラフプーリング戦略は,公開グラフ分類ベンチマークデータセットの集合において,最先端のパフォーマンスを達成できることが示唆された。
  論文  参考訳（メタデータ） (2020-06-19T13:09:44Z)
• Graph Neural Networks with Composite Kernels [60.81504431653264]
  カーネル重み付けの観点からノード集約を再解釈する。 本稿では,アグリゲーション方式における特徴類似性を考慮したフレームワークを提案する。 特徴空間における特徴類似性をエンコードするために,元の隣り合うカーネルと学習可能なカーネルの合成として特徴集約を提案する。
  論文  参考訳（メタデータ） (2020-05-16T04:44:29Z)
• 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)
• 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。