論文の概要: Realistic Synthetic Social Networks with Graph Neural Networks
- arxiv url: http://arxiv.org/abs/2212.07843v1
- Date: Thu, 15 Dec 2022 14:04:27 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-16 17:37:04.955658
- Title: Realistic Synthetic Social Networks with Graph Neural Networks
- Title（参考訳）: グラフニューラルネットワークを用いたリアルな合成ソーシャルネットワーク
- Authors: Alex Davies and Nirav Ajmeri
- Abstract要約: 合成ソーシャルネットワークのためのネットワーク生成のためのグラフニューラルネットワーク(GNN)モデルの可能性を評価する。
我々は,現実的な合成ネットワークの挙動を評価するための,ソーシャルネットワーク固有の測定結果を含む。
我々は,GRAN(Gated Recurrent Attention Network)がソーシャルネットワークによく適用され,一般的なルールベースのRecursive-MATrix (R-MAT) 手法と比較すると,現実的な構造力学を再現しやすくなっていることがわかった。
- 参考スコア（独自算出の注目度）: 1.8275108630751837
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Social network analysis faces profound difficulties in sharing data between
researchers due to privacy and security concerns. A potential remedy to this
issue are synthetic networks, that closely resemble their real counterparts,
but can be freely distributed. generating synthetic networks requires the
creation of network topologies that, in application, function as realistically
as possible. Widely applied models are currently rule-based and can struggle to
reproduce structural dynamics. Lead by recent developments in Graph Neural
Network (GNN) models for network generation we evaluate the potential of GNNs
for synthetic social networks. Our GNN use is specifically within a reasonable
use-case and includes empirical evaluation using Maximum Mean Discrepancy
(MMD). We include social network specific measurements which allow evaluation
of how realistically synthetic networks behave in typical social network
analysis applications.
We find that the Gated Recurrent Attention Network (GRAN) extends well to
social networks, and in comparison to a benchmark popular rule-based generation
Recursive-MATrix (R-MAT) method, is better able to replicate realistic
structural dynamics. We find that GRAN is more computationally costly than
R-MAT, but is not excessively costly to employ, so would be effective for
researchers seeking to create datasets of synthetic social networks.
- Abstract（参考訳）: ソーシャルネットワーク分析は、プライバシーやセキュリティ上の懸念から、研究者間でデータを共有することの難しさに直面している。
この問題の潜在的な対策は合成ネットワークであり、実際のネットワークとよく似ているが、自由に配布できる。
合成ネットワークを生成するには、アプリケーション内で可能な限りリアルに機能するネットワークトポロジを作成する必要がある。
広く応用されたモデルは現在ルールベースであり、構造力学の再現に苦慮している。
ネットワーク生成のためのグラフニューラルネットワーク(GNN)モデルの開発を先導して,合成ソーシャルネットワークにおけるGNNの可能性を評価する。
我々のGNNの使用は、特に合理的なユースケースの範囲内であり、最大平均離散性(MMD)を用いた経験的評価を含んでいる。
一般的なソーシャルネットワーク分析アプリケーションでは,ネットワークのリアルな動作を評価することができる。
我々は,GRAN(Gated Recurrent Attention Network)がソーシャルネットワークによく適用され,一般的なルールベースのRecursive-MATrix (R-MAT) 法と比較すると,現実的な構造力学を再現できる。
GRANはR-MATよりも計算コストが高いが、採用に過大なコストはかからないため、合成ソーシャルネットワークのデータセットを作成しようとする研究者にとって有効である。
関連論文リスト
- Modeling Social Media Recommendation Impacts Using Academic Networks: A Graph Neural Network Approach [4.138915764680197]
本研究では,学術ソーシャルネットワークをソーシャルメディアにおけるレコメンデーションシステム調査のプロキシとして活用することを提案する。
グラフニューラルネットワーク(GNN)を用いて,学術情報圏の予測と行動予測を分離するモデルを構築する。
提案手法は,レコメンデーションシステムの役割とソーシャルネットワークのモデリングに関する理解を深めることを目的としている。
論文 参考訳（メタデータ） (2024-10-06T17:03:27Z) - TDNetGen: Empowering Complex Network Resilience Prediction with Generative Augmentation of Topology and Dynamics [14.25304439234864]
本稿では,ネットワークトポロジとダイナミックスの生成的データ拡張を通じてこの問題に対処するために設計された,複雑なネットワークに対する新しいレジリエンス予測フレームワークを提案する。
3つのネットワークデータセットの実験結果から,提案するフレームワークであるTDNetGenは,最大85%～95%の精度で高い予測精度を達成可能であることが示された。
論文 参考訳（メタデータ） (2024-08-19T09:20:31Z) - Building a Graph-based Deep Learning network model from captured traffic
traces [4.671648049111933]
技術ネットワークモデルの現状は離散事象シミュレーション(DES)に基づいているか依存している
DESは非常に正確であり、計算コストも高く、並列化も困難であり、高性能ネットワークをシミュレートするには実用的ではない。
我々は,実際のネットワークシナリオの複雑さをより正確に捉えるために,グラフニューラルネットワーク(GNN)ベースのソリューションを提案する。
論文 参考訳（メタデータ） (2023-10-18T11:16:32Z) - Riemannian Residual Neural Networks [58.925132597945634]
残余ニューラルネットワーク(ResNet)の拡張方法を示す。
ResNetは、機械学習において、有益な学習特性、優れた経験的結果、そして様々なニューラルネットワークを構築する際に容易に組み込める性質のために、ユビキタスになった。
論文 参考訳（メタデータ） (2023-10-16T02:12:32Z) - Generalization and Estimation Error Bounds for Model-based Neural
Networks [78.88759757988761]
スパースリカバリのためのモデルベースネットワークの一般化能力は、通常のReLUネットワークよりも優れていることを示す。
我々は,高一般化を保証したモデルベースネットワークの構築を可能にする実用的な設計規則を導出する。
論文 参考訳（メタデータ） (2023-04-19T16:39:44Z) - Cost Sensitive GNN-based Imbalanced Learning for Mobile Social Network
Fraud Detection [37.14877936257601]
本稿では,コスト感性学習とグラフニューラルネットワークを創造的に組み合わせた,コスト感性グラフニューラルネットワーク(CSGNN)を提案する。
その結果、CSGNNはグラフ不均衡問題を効果的に解決し、最先端のアルゴリズムよりも優れた検出性能が得られることがわかった。
論文 参考訳（メタデータ） (2023-03-28T01:43:32Z) - An Approach for Link Prediction in Directed Complex Networks based on
Asymmetric Similarity-Popularity [0.0]
本稿では,有向ネットワーク用に明示的に設計されたリンク予測手法を提案する。
これは、最近無方向性ネットワークで成功した類似性-人気パラダイムに基づいている。
アルゴリズムは、隠れた類似性を最も短い経路距離として近似し、リンクの非対称性とノードの人気を捉え、決定するエッジウェイトを使用する。
論文 参考訳（メタデータ） (2022-07-15T11:03:25Z) - Trustworthy Graph Neural Networks: Aspects, Methods and Trends [115.84291569988748]
グラフニューラルネットワーク(GNN)は,さまざまな実世界のシナリオに対して,有能なグラフ学習手法として登場した。
パフォーマンス指向のGNNは、敵の攻撃に対する脆弱性のような潜在的な副作用を示す。
こうした意図しない害を避けるためには、信頼度に特徴付けられる有能なGNNを構築する必要がある。
論文 参考訳（メタデータ） (2022-05-16T02:21:09Z) - Quasi-orthogonality and intrinsic dimensions as measures of learning and
generalisation [55.80128181112308]
ニューラルネットワークの特徴空間の次元性と準直交性は、ネットワークの性能差別と共同して機能する可能性があることを示す。
本研究は, ネットワークの最終的な性能と, ランダムに初期化された特徴空間の特性との関係を示唆する。
論文 参考訳（メタデータ） (2022-03-30T21:47:32Z) - BScNets: Block Simplicial Complex Neural Networks [79.81654213581977]
グラフ学習における最新の方向性として、SNN(Simplicial Neural Network)が最近登場した。
リンク予測のためのBlock Simplicial Complex Neural Networks (BScNets) モデルを提案する。
BScNetsは、コストを抑えながら最先端のモデルよりも大きなマージンを保っている。
論文 参考訳（メタデータ） (2021-12-13T17:35:54Z) - Towards Understanding Theoretical Advantages of Complex-Reaction
Networks [77.34726150561087]
パラメータ数を用いて,関数のクラスを複素反応ネットワークで近似できることを示す。
経験的リスク最小化については,複素反応ネットワークの臨界点集合が実数値ネットワークの固有部分集合であることを示す。
論文 参考訳（メタデータ） (2021-08-15T10:13:49Z)
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。