論文の概要: CS-TGN: Community Search via Temporal Graph Neural Networks
- arxiv url: http://arxiv.org/abs/2303.08964v1
- Date: Wed, 15 Mar 2023 22:23:32 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-17 17:40:19.649631
- Title: CS-TGN: Community Search via Temporal Graph Neural Networks
- Title(参考訳): CS-TGN:時間グラフニューラルネットワークによるコミュニティ検索
- Authors: Farnoosh Hashemi and Ali Behrouz and Milad Rezaei Hajidehi
- Abstract要約: 本稿では,フレキシブルなコミュニティ構造をキャプチャ可能なクエリ駆動型時間グラフ畳み込みネットワーク(CS-TGN)を提案する。
CS-TGNはまず、ローカルクエリ依存構造と、ネットワークの各スナップショットにグローバルグラフを埋め込む。
我々は,このモデルをオンライン環境でインタラクティブなコミュニティ検索に活用する方法を実証する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Searching for local communities is an important research challenge that
allows for personalized community discovery and supports advanced data analysis
in various complex networks, such as the World Wide Web, social networks, and
brain networks. The evolution of these networks over time has motivated several
recent studies to identify local communities in temporal networks. Given any
query nodes, Community Search aims to find a densely connected subgraph
containing query nodes. However, existing community search approaches in
temporal networks have two main limitations: (1) they adopt pre-defined
subgraph patterns to model communities, which cannot find communities that do
not conform to these patterns in real-world networks, and (2) they only use the
aggregation of disjoint structural information to measure quality, missing the
dynamic of connections and temporal properties. In this paper, we propose a
query-driven Temporal Graph Convolutional Network (CS-TGN) that can capture
flexible community structures by learning from the ground-truth communities in
a data-driven manner. CS-TGN first combines the local query-dependent structure
and the global graph embedding in each snapshot of the network and then uses a
GRU cell with contextual attention to learn the dynamics of interactions and
update node embeddings over time. We demonstrate how this model can be used for
interactive community search in an online setting, allowing users to evaluate
the found communities and provide feedback. Experiments on real-world temporal
graphs with ground-truth communities validate the superior quality of the
solutions obtained and the efficiency of our model in both temporal and
interactive static settings.
- Abstract(参考訳): 地域コミュニティの検索は、パーソナライズされたコミュニティ発見を可能にする重要な研究課題であり、World Wide Web、ソーシャルネットワーク、脳ネットワークなど、様々な複雑なネットワークにおける高度なデータ分析をサポートする。
これらのネットワークの進化は、時間的ネットワーク内の地域コミュニティを特定するための最近の研究の動機となっている。
クエリノードがある場合、Community Searchはクエリノードを含む密結合されたサブグラフを見つけることを目的としている。
しかし,時間的ネットワークにおける既存のコミュニティ検索手法には,(1) 現実のネットワークにおいてこれらのパターンに適合しないコミュニティを見つけることができないような,事前定義されたサブグラフパターンを採用すること,(2) 接続のダイナミックさや時間的特性の欠如など,2つの制限がある。
本稿では,データ駆動型コミュニティから学習することで,フレキシブルなコミュニティ構造を捉えることのできるクエリ駆動型時間グラフ畳み込みネットワーク(CS-TGN)を提案する。
CS-TGNはまず、ローカルなクエリ依存構造とネットワークの各スナップショットにグローバルグラフを埋め込んだ上で、コンテキストを考慮したGRUセルを使用してインタラクションのダイナミクスを学習し、時間とともにノードの埋め込みを更新する。
我々は,このモデルをオンライン環境でインタラクティブなコミュニティ検索にどのように利用することができるかを示す。
接地コミュニティを用いた実世界の時間グラフ実験により,得られた解の優れた品質と,時間的およびインタラクティブな静的設定におけるモデルの有効性が検証された。
関連論文リスト
- Learning Persistent Community Structures in Dynamic Networks via
Topological Data Analysis [2.615648035076649]
本稿では,コミュニティ間構造における時間的一貫性の整合性を考慮した新しいディープグラフクラスタリングフレームワークを提案する。
MFCは、ノード埋め込みを保存する行列分解に基づくディープグラフクラスタリングアルゴリズムである。
TopoRegは、時間間隔でコミュニティ間構造間のトポロジカルな類似性を維持するために導入された。
論文 参考訳(メタデータ) (2024-01-06T11:29:19Z) - MGTCOM: Community Detection in Multimodal Graphs [0.34376560669160383]
MGTCOMは、ネットワーク埋め込み、コミュニティ、およびタンデム内のコミュニティの数を最適化するエンドツーエンドフレームワークである。
我々の手法は最先端技術に対して競争力があり、帰納的推論ではよく機能する。
論文 参考訳(メタデータ) (2022-11-10T16:11:03Z) - CS-MLGCN : Multiplex Graph Convolutional Networks for Community Search
in Multiplex Networks [0.0]
本稿では,マルチプレクサネットワークにおけるクエリ駆動グラフ畳み込みネットワークCS-MLGCNを提案する。
地道なコミュニティを持つ実世界のグラフの実験は、得られるソリューションの品質を検証する。
論文 参考訳(メタデータ) (2022-10-17T07:47:19Z) - META-CODE: Community Detection via Exploratory Learning in Topologically
Unknown Networks [5.299515147443958]
META-CODEは、未知のトポロジを持つネットワーク内の重複するコミュニティを検出するエンドツーエンドのソリューションである。
1)ネットワークの初期推定,2)グラフニューラルネットワーク(GNN)に基づくノードレベルのコミュニティアフィリエイト埋め込み,3)コミュニティアフィリエイトベースのノードクエリによるネットワーク探索,の3つのステップで構成されている。
論文 参考訳(メタデータ) (2022-08-23T15:02:48Z) - A Comprehensive Survey on Community Detection with Deep Learning [93.40332347374712]
コミュニティは、ネットワーク内の他のコミュニティと異なるメンバーの特徴と接続を明らかにする。
この調査は、最先端の手法の様々なカテゴリをカバーする新しい分類法を考案し、提案する。
ディープニューラルネットワーク(Deep Neural Network)は、畳み込みネットワーク(convolutional network)、グラフアテンションネットワーク( graph attention network)、生成的敵ネットワーク(generative adversarial network)、オートエンコーダ(autoencoder)に分けられる。
論文 参考訳(メタデータ) (2021-05-26T14:37:07Z) - QD-GCN: Query-Driven Graph Convolutional Networks for Attributed
Community Search [54.42038098426504]
QD-GCNは、ACS問題を解決するために、コミュニティ構造とノード属性を統一するエンドツーエンドフレームワークである。
本稿では、QD-GCNが既存の属性付きコミュニティ検索アルゴリズムを効率性と有効性の両方で上回ることを示す。
論文 参考訳(メタデータ) (2021-04-08T07:52:48Z) - Overlapping Community Detection in Temporal Text Networks [26.489288530629892]
時間的テキストネットワークにおけるコミュニティ検出の重複問題について検討する。
32の大規模テンポラリテキストネットワークを調べることで、共通のコミュニティを持たない2つのノードをつなぐ多くのエッジを見出した。
これらの実証的な観察を動機に、コミュニティの相互作用を捉えた生成モデルであるMAGICを提案します。
論文 参考訳(メタデータ) (2021-01-13T15:32:39Z) - A Survey of Community Detection Approaches: From Statistical Modeling to
Deep Learning [95.27249880156256]
ネットワークコミュニティファイリング手法の統一アーキテクチャを開発し,提案する。
既存の手法を確率的グラフィカルモデルとディープラーニングという2つのカテゴリに分けた新しい分類法を提案する。
フィールドの課題の議論と今後の研究の方向性の提案を締めくくります。
論文 参考訳(メタデータ) (2021-01-03T02:32:45Z) - On the use of local structural properties for improving the efficiency
of hierarchical community detection methods [77.34726150561087]
本研究では,階層型コミュニティ検出の効率向上のために,局所構造ネットワーク特性をプロキシとして利用する方法について検討する。
また,ネットワークプルーニングの性能への影響を,階層的コミュニティ検出をより効率的にするための補助的手法として検証する。
論文 参考訳(メタデータ) (2020-09-15T00:16:12Z) - Deep Learning for Community Detection: Progress, Challenges and
Opportunities [79.26787486888549]
この記事では、ディープニューラルネットワークにおける様々なフレームワーク、モデル、アルゴリズムの貢献について要約する。
この記事では、ディープニューラルネットワークにおける様々なフレームワーク、モデル、アルゴリズムの貢献について要約する。
論文 参考訳(メタデータ) (2020-05-17T11:22:11Z) - Detecting Communities in Heterogeneous Multi-Relational Networks:A
Message Passing based Approach [89.19237792558687]
コミュニティは、ソーシャルネットワーク、生物学的ネットワーク、コンピュータおよび情報ネットワークを含むネットワークの共通の特徴である。
我々は,全同種ネットワークのコミュニティを同時に検出する効率的なメッセージパッシングに基づくアルゴリズムを提案する。
論文 参考訳(メタデータ) (2020-04-06T17:36:24Z)
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。