Fugu-MT 論文翻訳(概要): WL-Align: Weisfeiler-Lehman Relabeling for Aligning Users across Networks via Regularized Representation Learning

論文の概要: WL-Align: Weisfeiler-Lehman Relabeling for Aligning Users across Networks via Regularized Representation Learning

arxiv url: http://arxiv.org/abs/2212.14182v1
Date: Thu, 29 Dec 2022 06:02:05 GMT
ステータス: 処理完了
システム内更新日: 2023-01-02 15:54:24.657202
Title: WL-Align: Weisfeiler-Lehman Relabeling for Aligning Users across Networks via Regularized Representation Learning
Title（参考訳）: wl-align: 正規化表現学習によるネットワーク間のユーザ連携のためのweisfeiler-lehman relabeling
Authors: Li Liu, Penggang Chen, Xin Li, William K. Cheung, Youmin Zhang, Qun Liu, and Guoyin Wang
Abstract要約: WL-Align は "across-network Weisfeiler-Lehman relabeling" と "proximity-serving representation learning" の交互相のアライメントを学習する実世界のデータセットと合成データセットの実験により、提案したWL-Alignは最先端の手法よりも優れていることが示された。
参考スコア（独自算出の注目度）: 30.813780339024724
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Aligning users across networks using graph representation learning has been found effective where the alignment is accomplished in a low-dimensional embedding space. Yet, achieving highly precise alignment is still challenging, especially when nodes with long-range connectivity to the labeled anchors are encountered. To alleviate this limitation, we purposefully designed WL-Align which adopts a regularized representation learning framework to learn distinctive node representations. It extends the Weisfeiler-Lehman Isormorphism Test and learns the alignment in alternating phases of "across-network Weisfeiler-Lehman relabeling" and "proximity-preserving representation learning". The across-network Weisfeiler-Lehman relabeling is achieved through iterating the anchor-based label propagation and a similarity-based hashing to exploit the known anchors' connectivity to different nodes in an efficient and robust manner. The representation learning module preserves the second-order proximity within individual networks and is regularized by the across-network Weisfeiler-Lehman hash labels. Extensive experiments on real-world and synthetic datasets have demonstrated that our proposed WL-Align outperforms the state-of-the-art methods, achieving significant performance improvements in the "exact matching" scenario. Data and code of WL-Align are available at https://github.com/ChenPengGang/WLAlignCode.
Abstract（参考訳）: 低次元埋め込み空間におけるアライメントを実現するために,グラフ表現学習を用いたネットワーク間のユーザ調整が有効であることがわかった。しかし、特にラベル付きアンカーに長距離接続するノードが遭遇した場合、高度に正確なアライメントを実現することは依然として困難である。この制限を緩和するために,正規化表現学習フレームワークを採用し,固有ノード表現を学習するWL-Alignを設計した。これはWeisfeiler-Lehman同型テストを拡張し、"across-networkWeisfeiler-Lehman relabeling"と"proximity-reserving representation learning"の交互相のアライメントを学ぶ。ネットワーク横断のWeisfeiler-Lehman relabelingは、アンカーベースのラベル伝搬と類似性に基づくハッシュを反復することで、既知のアンカーの異なるノードへの接続を効率的かつ堅牢に利用することで実現される。表現学習モジュールは、個々のネットワーク内の2階近接を保存し、ワイスフェイラー・リーマンハッシュラベルによって正規化される。実世界および合成データセットに関する広範囲な実験により,提案するwl-alignは最先端の手法よりも優れており,"実世界マッチング"シナリオにおいて大幅な性能向上を達成している。 WL-Alignのデータとコードはhttps://github.com/ChenPengGang/WLAlignCodeで公開されている。

関連論文リスト

ERASE: Error-Resilient Representation Learning on Graphs for Label Noise Tolerance [53.73316938815873]
本稿では, ERASE (Error-Resilient representation learning on graphs for lAbel noiSe tolerancE) という手法を提案する。 ERASEは、プロトタイプの擬似ラベルとプロパゲーションされた識別ラベルを組み合わせて、表現をエラーレジリエンスで更新する。提案手法は, 広い雑音レベルにおいて, 複数のベースラインをクリアマージンで上回り, 高いスケーラビリティを享受できる。
論文参考訳（メタデータ） (2023-12-13T17:59:07Z)
CONVERT:Contrastive Graph Clustering with Reliable Augmentation [110.46658439733106]
信頼性オーグメンテーション(CONVERT)を用いたContrastiVe Graph ClustEringネットワークを提案する。本手法では,データ拡張を可逆的パーターブ・リカバリネットワークにより処理する。セマンティクスの信頼性をさらに保証するために、ネットワークを制約する新たなセマンティクス損失が提示される。
論文参考訳（メタデータ） (2023-08-17T13:07:09Z)
Improving Deep Representation Learning via Auxiliary Learnable Target Coding [69.79343510578877]
本稿では,深層表現学習の補助的正規化として,新たな学習対象符号化を提案する。具体的には、より差別的な表現を促進するために、マージンベースの三重項損失と、提案した目標符号上の相関整合損失を設計する。
論文参考訳（メタデータ） (2023-05-30T01:38:54Z)
Label-Enhanced Graph Neural Network for Semi-supervised Node Classification [32.64730237473914]
グラフニューラルネットワーク(GNN)のためのラベル強化学習フレームワークを提案する。まず、各ラベルをクラス内のノードの仮想センターとしてモデル化し、次にノードとラベルの両方の表現を共同で学習する。提案手法は,同一クラスに属するノードの表現を円滑に行うだけでなく,ラベルセマンティクスをGNNの学習プロセスに明示的にエンコードする。
論文参考訳（メタデータ） (2022-05-31T09:48:47Z)
Meta Propagation Networks for Graph Few-shot Semi-supervised Learning [39.96930762034581]
本稿では,この問題を解決するために,メタ学習アルゴリズムを用いた新しいネットワークアーキテクチャを提案する。基本的に,我々のMeta-PNフレームワークは,メタ学習ラベルの伝搬戦略を用いて,未ラベルノード上の高品質な擬似ラベルを推論する。我々のアプローチは、様々なベンチマークデータセットの既存の技術と比較して、容易で実質的なパフォーマンス向上を提供する。
論文参考訳（メタデータ） (2021-12-18T00:11:56Z)
PseudoSeg: Designing Pseudo Labels for Semantic Segmentation [78.35515004654553]
ラベルなしまたは弱いラベル付きデータを用いたトレーニングのための構造化された擬似ラベルを生成するための擬似ラベルの再設計を提案する。提案手法の有効性を,低データと高データの両方において示す。
論文参考訳（メタデータ） (2020-10-19T17:59:30Z)
Knowledge-Guided Multi-Label Few-Shot Learning for General Image Recognition [75.44233392355711]
KGGRフレームワークは、ディープニューラルネットワークと統計ラベル相関の事前知識を利用する。まず、統計ラベルの共起に基づいて異なるラベルを相関させる構造化知識グラフを構築する。次に、ラベルセマンティクスを導入し、学習セマンティクス固有の特徴をガイドする。グラフノードの相互作用を探索するためにグラフ伝搬ネットワークを利用する。
論文参考訳（メタデータ） (2020-09-20T15:05:29Z)
Self-Supervised Learning of Contextual Embeddings for Link Prediction in Heterogeneous Networks [11.540329725077843]
本研究では,グラフ全体からのグローバル情報を用いた静的表現学習手法をブリッジするフレームワークであるSLiCEを開発する。まず、上位のセマンティックアソシエーションやマスキングノードを導入し、自己教師付きでモデルを事前訓練する。また、セマンティックアソシエーション行列を解釈し、ネットワーク内の異種ノード間のリンク予測を成功させるために、その有用性と関連性を提供する。
論文参考訳（メタデータ） (2020-07-22T03:48:53Z)
Learning to Hash with Graph Neural Networks for Recommender Systems [103.82479899868191]
グラフ表現学習は、大規模に高品質な候補探索をサポートすることに多くの注目を集めている。ユーザ・イテム相互作用ネットワークにおけるオブジェクトの埋め込みベクトルの学習の有効性にもかかわらず、連続的な埋め込み空間におけるユーザの好みを推測する計算コストは膨大である。連続的かつ離散的なコードとを協調的に学習するための,単純かつ効果的な離散表現学習フレームワークを提案する。
論文参考訳（メタデータ） (2020-03-04T06:59:56Z)

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。