Fugu-MT 論文翻訳(概要): New Frontiers in Graph Autoencoders: Joint Community Detection and Link Prediction

論文の概要: New Frontiers in Graph Autoencoders: Joint Community Detection and Link Prediction

arxiv url: http://arxiv.org/abs/2211.08972v1
Date: Wed, 16 Nov 2022 15:26:56 GMT
ステータス: 処理完了
システム内更新日: 2022-11-17 14:37:31.307609
Title: New Frontiers in Graph Autoencoders: Joint Community Detection and Link Prediction
Title（参考訳）: グラフオートエンコーダの新しいフロンティア:共同コミュニティ検出とリンク予測
Authors: Guillaume Salha-Galvan and Johannes F. Lutzeyer and George Dasoulas and Romain Hennequin and Michalis Vazirgiannis
Abstract要約: リンク予測(LP)の強力な方法として,グラフオートエンコーダ(GAE)と変分グラフオートエンコーダ(VGAE)が登場した。特にノード機能がない場合、GAEとVGAEでCDをどの程度改善できるかは不明である。これら2つのタスクを高い精度で共同で処理することは可能であることを示す。
参考スコア（独自算出の注目度）: 27.570978996576503
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Graph autoencoders (GAE) and variational graph autoencoders (VGAE) emerged as powerful methods for link prediction (LP). Their performances are less impressive on community detection (CD), where they are often outperformed by simpler alternatives such as the Louvain method. It is still unclear to what extent one can improve CD with GAE and VGAE, especially in the absence of node features. It is moreover uncertain whether one could do so while simultaneously preserving good performances on LP in a multi-task setting. In this workshop paper, summarizing results from our journal publication (Salha-Galvan et al. 2022), we show that jointly addressing these two tasks with high accuracy is possible. For this purpose, we introduce a community-preserving message passing scheme, doping our GAE and VGAE encoders by considering both the initial graph and Louvain-based prior communities when computing embedding spaces. Inspired by modularity-based clustering, we further propose novel training and optimization strategies specifically designed for joint LP and CD. We demonstrate the empirical effectiveness of our approach, referred to as Modularity-Aware GAE and VGAE, on various real-world graphs.
Abstract（参考訳）: グラフオートエンコーダ(GAE)と変分グラフオートエンコーダ(VGAE)はリンク予測(LP)の強力な手法として登場した。彼らのパフォーマンスは、Louvainメソッドのようなより単純な代替手段により、しばしばパフォーマンスが向上するコミュニティ検出(CD)において、あまり印象的ではない。特にノード機能がない場合、GAEとVGAEでCDをどの程度改善できるかは不明である。さらに、マルチタスク環境では、LP上で優れたパフォーマンスを同時に維持できるかどうかも不確実である。本論文では,これら2つの課題を高い精度で協調的に解決できることを,学術誌「salha-galvan et al. 2022」から要約した。この目的のために,埋め込み空間の計算において,初期グラフとルービンに基づく先行コミュニティの両方を考慮したGAEおよびVGAEエンコーダをドープする,コミュニティ保存型メッセージパッシング方式を導入する。モジュール性に基づくクラスタリングに着想を得て,共同LPとCDに特化して設計された新しいトレーニングと最適化戦略を提案する。我々は,実世界の様々なグラフ上で,モジュール性を考慮したGAEとVGAEと呼ばれるアプローチの実証的効果を示す。

関連論文リスト

GSINA: Improving Subgraph Extraction for Graph Invariant Learning via Graph Sinkhorn Attention [52.67633391931959]
グラフ不変学習(GIL)は,グラフデータとそのラベル間の不変性を発見するための効果的な手法である。グラフシンクホーン注意機構(GSINA)を提案する。 GSINAは、制御可能な空間性と柔らかさを持つ有意義で微分可能な不変部分グラフを得ることができる。
論文参考訳（メタデータ） (2024-02-11T12:57:16Z)
T-GAE: Transferable Graph Autoencoder for Network Alignment [79.89704126746204]
T-GAEはグラフオートエンコーダフレームワークで、GNNの転送性と安定性を活用して、再トレーニングなしに効率的なネットワークアライメントを実現する。実験の結果、T-GAEは最先端の最適化手法と最高のGNN手法を最大38.7%、50.8%で上回っていることがわかった。
論文参考訳（メタデータ） (2023-10-05T02:58:29Z)
Contributions to Representation Learning with Graph Autoencoders and Applications to Music Recommendation [1.2691047660244335]
グラフオートエンコーダ(GAE)と変分グラフオートエンコーダ(VGAE)は、教師なしノード埋め込みの強力なグループとして登場した。このPh.D.プロジェクトの初期には、GAEとVGAEのモデルも重要な制限に悩まされ、業界で採用されるのを防いだ。我々はこれらのモデルを改善するためにいくつかの貢献を行い、グラフ表現を含む産業レベルの問題に対処するためにそれらの利用を促進することを目的としている。
論文参考訳（メタデータ） (2022-05-29T13:14:53Z)
GraphCoCo: Graph Complementary Contrastive Learning [65.89743197355722]
グラフコントラスト学習(GCL)は、手作業によるアノテーションの監督なしに、グラフ表現学習(GRL)において有望な性能を示した。本稿では,この課題に対処するため,グラフココというグラフ補完型コントラスト学習手法を提案する。
論文参考訳（メタデータ） (2022-03-24T02:58:36Z)
Stacked Hybrid-Attention and Group Collaborative Learning for Unbiased Scene Graph Generation [62.96628432641806]
Scene Graph Generationは、まず与えられた画像内の視覚的コンテンツをエンコードし、次にそれらをコンパクトな要約グラフに解析することを目的としている。まず,モーダル内改良とモーダル間相互作用を容易にする新しいスタック型ハイブリッド・アテンションネットワークを提案する。次に、デコーダを最適化するための革新的なグループ協調学習戦略を考案する。
論文参考訳（メタデータ） (2022-03-18T09:14:13Z)
Modularity-Aware Graph Autoencoders for Joint Community Detection and Link Prediction [27.570978996576503]
グラフオートエンコーダ(GAE)と変分グラフオートエンコーダ(VGAE)はリンク予測の強力な手法として登場した。 GAEとVGAEによるコミュニティ検出がどの程度改善できるかは、まだ不明である。これら2つのタスクを高い精度で共同で処理することは可能であることを示す。
論文参考訳（メタデータ） (2022-02-02T11:07:11Z)
Source Free Unsupervised Graph Domain Adaptation [60.901775859601685]
Unsupervised Graph Domain Adaptation (UGDA) はノード分類のラベル付けコストを削減するための実用的価値を示している。既存のUGDAメソッドの多くは、ソースドメインのラベル付きグラフに大きく依存している。現実のシナリオでは、ソースグラフはプライバシーの問題のためにアクセスできない。我々は、Source Free Unsupervised Graph Domain Adaptation (SFUGDA) という新しいシナリオを提案する。
論文参考訳（メタデータ） (2021-12-02T03:18:18Z)
Deepened Graph Auto-Encoders Help Stabilize and Enhance Link Prediction [11.927046591097623]
リンク予測は、浅層グラフオートエンコーダ(GAE)アーキテクチャの1層または2層に基づく現在の最先端モデルを用いて、比較的未研究のグラフ学習タスクである。本論文では,浅いGAEと変動GAEしか使用できないリンク予測の現在の手法の限界に対処することに焦点をあてる。提案手法はGAEのアーキテクチャに標準オートエンコーダ(AE)を革新的に組み込んでおり、標準AEは隣接情報とノード機能をシームレスに統合することで必要不可欠な低次元表現を学習する。
論文参考訳（メタデータ） (2021-03-21T14:43:10Z)
Heuristic Semi-Supervised Learning for Graph Generation Inspired by Electoral College [80.67842220664231]
本稿では,新たなノードやエッジを自動的に拡張して,高密度サブグラフ内のラベル類似性を向上する,新しい前処理手法であるElectoral College(ELCO)を提案する。テストされたすべての設定において、我々の手法はベースモデルの平均スコアを4.7ポイントの広いマージンで引き上げるとともに、常に最先端のモデルよりも優れています。
論文参考訳（メタデータ） (2020-06-10T14:48:48Z)
Self-Constructing Graph Convolutional Networks for Semantic Labeling [23.623276007011373]
本稿では,学習可能な潜伏変数を用いて埋め込みを生成する自己構築グラフ(SCG)を提案する。 SCGは、空中画像中の複雑な形状の物体から、最適化された非局所的なコンテキストグラフを自動的に取得することができる。本稿では,ISPRS Vaihingen データセット上で提案した SCG の有効性と柔軟性を示す。
論文参考訳（メタデータ） (2020-03-15T21:55:24Z)
FastGAE: Scalable Graph Autoencoders with Stochastic Subgraph Decoding [22.114681053198453]
グラフオートエンコーダ(AE)と可変オートエンコーダ(VAE)は強力なノード埋め込み方式であるが、スケーラビリティの問題に悩まされている。 FastGAEは、数百万のノードとエッジを持つ巨大なグラフにグラフAEとVAEをスケールするための一般的なフレームワークである。
論文参考訳（メタデータ） (2020-02-05T18:27:39Z)

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。