論文の概要: NetEffect: Discovery and Exploitation of Generalized Network Effects
- arxiv url: http://arxiv.org/abs/2301.00270v3
- Date: Mon, 12 Feb 2024 16:59:06 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-14 01:30:24.687284
- Title: NetEffect: Discovery and Exploitation of Generalized Network Effects
- Title（参考訳）: NetEffect: 一般化ネットワーク効果の発見と爆発
- Authors: Meng-Chieh Lee, Shubhranshu Shekhar, Jaemin Yoo, Christos Faloutsos
- Abstract要約: 本稿では,グラフ内の一般化ネットワーク効果(GNE)を識別するグラフマイニング手法であるNetEffectを提案する。
NetEffectは、100万スケールの現実世界のグラフで、競合他社に比べて7倍のスピードアップ(14分対2時間)を達成した。
- 参考スコア（独自算出の注目度）: 30.728493803956386
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Given a large graph with few node labels, how can we (a) identify whether
there is generalized network-effects (GNE) or not, (b) estimate GNE to explain
the interrelations among node classes, and (c) exploit GNE efficiently to
improve the performance on downstream tasks? The knowledge of GNE is valuable
for various tasks like node classification, and targeted advertising. However,
identifying GNE such as homophily, heterophily or their combination is
challenging in real-world graphs due to limited availability of node labels and
noisy edges. We propose NetEffect, a graph mining approach to address the above
issues, enjoying the following properties: (i) Principled: a statistical test
to determine the presence of GNE in a graph with few node labels; (ii) General
and Explainable: a closed-form solution to estimate the specific type of GNE
observed; and (iii) Accurate and Scalable: the integration of GNE for accurate
and fast node classification. Applied on real-world graphs, NetEffect discovers
the unexpected absence of GNE in numerous graphs, which were recognized to
exhibit heterophily. Further, we show that incorporating GNE is effective on
node classification. On a million-scale real-world graph, NetEffect achieves
over 7 times speedup (14 minutes vs. 2 hours) compared to most competitors.
- Abstract（参考訳）: ノードラベルの少ないグラフが与えられたら、どうすればいいのか?
(a)一般化ネットワーク効果(GNE)があるか否かを識別する
(b)ノードクラス間の相互関係を説明するためにGNEを推定し、
(c) 下流タスクのパフォーマンスを改善するために、GNEを効率的に利用しますか?
GNEの知識は、ノード分類やターゲット広告といった様々なタスクに有用である。
しかし, ノードラベルやノイズエッジが限られているため, 実世界のグラフでは, ホモフィリーやヘテロフィリーなどのGNEの同定は困難である。
本稿では,上記の問題に対処するためのグラフマイニング手法であるneteffectを提案する。
(i)原則:ノードラベルの少ないグラフにおけるGNEの存在を決定する統計的テスト。
(二 一般説明可能:観測された特定種類のGNEを推定するための閉形式解
(iii)精度とスケーラビリティ: 正確で高速なノード分類のためのGNEの統合。
実世界のグラフに適用すると、NetEffectは多くのグラフにおいてGNEの予期せぬ欠如が発見され、不均一性を示すことが認められた。
さらに,ノード分類において,GNEの導入が有効であることを示す。
NetEffectは、100万スケールの現実世界のグラフで、競合他社に比べて7倍のスピードアップ(14分対2時間)を達成した。
関連論文リスト
- Multitask Active Learning for Graph Anomaly Detection [48.690169078479116]
MultItask acTIve Graph Anomaly Detection framework,すなわちMITIGATEを提案する。
ノード分類タスクを結合することにより、MITIGATEは既知の異常を伴わずに配布外ノードを検出する能力を得る。
4つのデータセットに関する実証的研究は、MITIGATEが異常検出のための最先端の手法を著しく上回っていることを示している。
論文 参考訳（メタデータ） (2024-01-24T03:43:45Z) - Breaking the Entanglement of Homophily and Heterophily in
Semi-supervised Node Classification [25.831508778029097]
統計的観点から,ノードプロファイルとトポロジの関係を定量化するAMUDを提案する。
また、AMUDのための新しい有向グラフ学習パラダイムとしてADPAを提案する。
論文 参考訳（メタデータ） (2023-12-07T07:54:11Z) - TouchUp-G: Improving Feature Representation through Graph-Centric
Finetuning [37.318961625795204]
グラフニューラルネットワーク(GNN)は、多くのハイインパクトな実世界のグラフアプリケーションにおいて最先端のアプローチとなっている。
機能豊富なグラフでは、PMを直接利用して機能を生成するのが一般的である。
PMから抽出されたノード特徴がグラフに依存しず、GNNがグラフ構造とノード特徴の間の潜在的な相関を十分に活用できないため、このプラクティスは準最適である。
論文 参考訳（メタデータ） (2023-09-25T05:44:40Z) - Learning on Graphs with Out-of-Distribution Nodes [33.141867473074264]
グラフニューラルネットワーク(GNN)は、グラフ上で予測タスクを実行するための最先端モデルである。
この研究は、分散ノードによるグラフ学習の問題を定義する。
本稿では,異なるノード間の相互作用を明示的にモデル化する新しいGNNモデルであるOut-of-Distribution Graph Attention Network (OODGAT)を提案する。
論文 参考訳（メタデータ） (2023-08-13T08:10:23Z) - BOURNE: Bootstrapped Self-supervised Learning Framework for Unified
Graph Anomaly Detection [50.26074811655596]
自己指導型自己学習(BOURNE)に基づく新しい統合グラフ異常検出フレームワークを提案する。
ノードとエッジ間のコンテキスト埋め込みを交換することで、ノードとエッジの異常を相互に検出できる。
BOURNEは、負のサンプリングを必要としないため、大きなグラフを扱う際の効率を高めることができる。
論文 参考訳（メタデータ） (2023-07-28T00:44:57Z) - NodeFormer: A Scalable Graph Structure Learning Transformer for Node
Classification [70.51126383984555]
本稿では,任意のノード間のノード信号を効率的に伝搬する全ペアメッセージパッシング方式を提案する。
効率的な計算は、カーナライズされたGumbel-Softmax演算子によって実現される。
グラフ上のノード分類を含む様々なタスクにおいて,本手法の有望な有効性を示す実験を行った。
論文 参考訳（メタデータ） (2023-06-14T09:21:15Z) - DEGREE: Decomposition Based Explanation For Graph Neural Networks [55.38873296761104]
我々は,GNN予測に対する忠実な説明を提供するためにDGREEを提案する。
GNNの情報生成と集約機構を分解することにより、DECREEは入力グラフの特定のコンポーネントのコントリビューションを最終的な予測に追跡することができる。
また,従来の手法で見過ごされるグラフノード間の複雑な相互作用を明らかにするために,サブグラフレベルの解釈アルゴリズムを設計する。
論文 参考訳（メタデータ） (2023-05-22T10:29:52Z) - Resisting Graph Adversarial Attack via Cooperative Homophilous
Augmentation [60.50994154879244]
最近の研究では、グラフニューラルネットワークは弱く、小さな摂動によって簡単に騙されることが示されている。
本研究では,グラフインジェクションアタック(Graph Injection Attack)という,新興だが重要な攻撃に焦点を当てる。
本稿では,グラフデータとモデルの協調的同好性増強によるGIAに対する汎用防衛フレームワークCHAGNNを提案する。
論文 参考訳（メタデータ） (2022-11-15T11:44:31Z) - Exploiting Neighbor Effect: Conv-Agnostic GNNs Framework for Graphs with
Heterophily [58.76759997223951]
我々はフォン・ノイマンエントロピーに基づく新しい計量を提案し、GNNのヘテロフィリー問題を再検討する。
また、異種データセット上でのほとんどのGNNの性能を高めるために、Conv-Agnostic GNNフレームワーク(CAGNN)を提案する。
論文 参考訳（メタデータ） (2022-03-19T14:26:43Z)
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。