論文の概要: Node Feature Augmentation Vitaminizes Network Alignment
- arxiv url: http://arxiv.org/abs/2304.12751v1
- Date: Tue, 25 Apr 2023 11:59:19 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-26 20:54:38.449307
- Title: Node Feature Augmentation Vitaminizes Network Alignment
- Title（参考訳）: Node機能拡張によるネットワークアライメントの仮想化
- Authors: Jin-Duk Park, Cong Tran, Won-Yong Shin, Xin Cao
- Abstract要約: ネットワークアライメント(NA)は、複数のネットワークにまたがるノード対応を発見するタスクである。
本稿では,最新のNA法であるGrad-Alignをベースとした新しいNA法であるGrad-Align+を提案する。
Grad-Align+ は、1) 中央性に基づくノード特徴増強(CNFA)、2) グラフニューラルネットワーク(GNN) による埋め込み類似性計算(GNN)、3) 整列したクロスネットワーク隣接ペア(ACN)の情報を用いた類似性計算(NA)の3つの重要なコンポーネントから構成される。
- 参考スコア（独自算出の注目度）: 4.536868213405015
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Network alignment (NA) is the task of discovering node correspondences across
multiple networks using topological and/or feature information of given
networks. Although NA methods have achieved remarkable success in a myriad of
scenarios, their effectiveness is not without additional information such as
prior anchor links and/or node features, which may not always be available due
to privacy concerns or access restrictions. To tackle this practical challenge,
we propose Grad-Align+, a novel NA method built upon a recent state-of-the-art
NA method, the so-called Grad-Align, that gradually discovers only a part of
node pairs until all node pairs are found. In designing Grad-Align+, we account
for how to augment node features in the sense of performing the NA task and how
to design our NA method by maximally exploiting the augmented node features. To
achieve this goal, we develop Grad-Align+ consisting of three key components:
1) centrality-based node feature augmentation (CNFA), 2) graph neural network
(GNN)-aided embedding similarity calculation alongside the augmented node
features, and 3) gradual NA with similarity calculation using the information
of aligned cross-network neighbor-pairs (ACNs). Through comprehensive
experiments, we demonstrate that Grad-Align+ exhibits (a) the superiority over
benchmark NA methods by a large margin, (b) empirical validations as well as
our theoretical findings to see the effectiveness of CNFA, (c) the influence of
each component, (d) the robustness to network noises, and (e) the computational
efficiency.
- Abstract（参考訳）: ネットワークアライメント(NA)は、与えられたネットワークのトポロジカルおよび/または特徴情報を用いて、複数のネットワークにまたがるノード対応を発見するタスクである。
naメソッドは無数のシナリオで目覚ましい成功を収めてきたが、プライバシの懸念やアクセス制限のために常に利用できるとは限らない、事前のアンカーリンクや/またはノード機能などの追加情報なしでは有効ではない。
そこで本研究では,新しいna法であるgrad-align+を提案する。grad-align+は最先端のna法であるgrad-alignをベースとし,全てのノード対が見つかるまでノード対の一部のみを徐々に発見する。
Grad-Align+を設計する際には、NAタスクの実行という意味でノード機能を拡張する方法と、拡張ノード機能を最大限活用してNAメソッドを設計する方法を説明します。
この目的を達成するために、3つの主要コンポーネントからなるGrad-Align+を開発します。
1)中心性に基づくノード特徴増強(CNFA)
2)グラフニューラルネットワーク(gnn)による拡張ノードの特徴と組込み類似度計算
3)アライメント・クロスネットワーク・ニアペア(ACN)の情報を用いた類似度計算による段階的NA。
包括的実験を通して、Grad-Align+が示すことを実証する。
(a)ベンチマークNAメソッドよりも大きなマージンによる優位性。
(b)CNFAの有効性を確認するための実証的検証と理論的知見。
(c)各構成要素の影響
(d)ネットワークノイズに対する堅牢性、及び
(e)計算効率。
関連論文リスト
- Degree-based stratification of nodes in Graph Neural Networks [66.17149106033126]
グラフニューラルネットワーク(GNN)アーキテクチャを変更して,各グループのノードに対して,重み行列を個別に学習する。
このシンプルな実装変更により、データセットとGNNメソッドのパフォーマンスが改善されているようだ。
論文 参考訳（メタデータ） (2023-12-16T14:09:23Z) - A Topological Perspective on Demystifying GNN-Based Link Prediction
Performance [72.06314265776683]
トポロジカル濃度 (TC) は、各ノードの局所部分グラフと隣人の部分グラフの交点に基づいている。
また,TCLは,次数や部分グラフ密度などの他のノードレベルのトポロジ指標よりもLP性能と高い相関性を示した。
我々は, 近似トポロジカル濃度 (ATC) を提案し, 理論的・経験的にTC近似の有効性を正当化し, 複雑さを低減させる。
論文 参考訳（メタデータ） (2023-10-06T22:07:49Z) - Collaborative Graph Neural Networks for Attributed Network Embedding [63.39495932900291]
グラフニューラルネットワーク(GNN)は、属性付きネットワーク埋め込みにおいて顕著な性能を示している。
本稿では,ネットワーク埋め込みに適したGNNアーキテクチャであるCulaborative graph Neural Networks-CONNを提案する。
論文 参考訳（メタデータ） (2023-07-22T04:52:27Z) - Grad-Align+: Empowering Gradual Network Alignment Using Attribute
Augmentation [4.536868213405015]
ネットワークアライメント(NA)は、異なるネットワークにまたがるノード対応を発見するタスクである。
ノード属性拡張を用いた新しいNA法であるGrad-Align+を提案する。
以上の結果から,Grad-Align+は(a)ベンチマークNA法よりも優れていること,(b)理論的な結果の実証的検証,(c)属性拡張モジュールの有効性を示す。
論文 参考訳（メタデータ） (2022-08-23T15:12:12Z) - What Do Graph Convolutional Neural Networks Learn? [0.0]
グラフ畳み込みニューラルネットワーク(GCN)はグラフニューラルネットワーク(GNN)の共通変種である
近年の文献では、GCNは特定の「特殊条件」下でヘテロ親和性グラフ上での強い性能を達成可能であることが強調されている。
データセットの基盤となるグラフ構造について検討した結果,GCNのSSNC性能は,クラス内のノードの近傍構造における一貫性と特異性に大きく影響していることがわかった。
論文 参考訳（メタデータ） (2022-07-05T06:44:37Z) - On the Power of Gradual Network Alignment Using Dual-Perception
Similarities [14.779474659172923]
ネットワークアライメント(NA)は、ネットワーク構造とノード属性に基づいて、2つのネットワーク間のノードの対応を見つけるタスクである。
我々の研究は、既存のNA手法のほとんどが一度に全てのノード対を発見しようとしたため、ノード対応の暫定的な発見によって得られた情報を利用していないという事実に動機づけられている。
強い一貫性を示すノード対をフル活用することにより、ノード対を徐々に発見する新しいNA法であるGrad-Alignを提案する。
論文 参考訳（メタデータ） (2022-01-26T14:01:32Z) - Node2Seq: Towards Trainable Convolutions in Graph Neural Networks [59.378148590027735]
今回提案するグラフネットワーク層であるNode2Seqは,隣接ノードの重みを明示的に調整可能なノード埋め込みを学習する。
対象ノードに対して,当手法は注意メカニズムを介して隣接ノードをソートし,さらに1D畳み込みニューラルネットワーク(CNN)を用いて情報集約のための明示的な重み付けを行う。
また, 特徴学習のための非局所的情報を, 注意スコアに基づいて適応的に組み込むことを提案する。
論文 参考訳（メタデータ） (2021-01-06T03:05:37Z) - Node Similarity Preserving Graph Convolutional Networks [51.520749924844054]
グラフニューラルネットワーク(GNN)は、ノード近傍の情報を集約し変換することで、グラフ構造とノードの特徴を探索する。
グラフ構造を利用してノード類似性を効果的かつ効率的に保存できるSimP-GCNを提案する。
本研究は,SimP-GCNが3つの分類グラフと4つの非補助グラフを含む7つのベンチマークデータセットに対して有効であることを示す。
論文 参考訳（メタデータ） (2020-11-19T04:18:01Z) - DINE: A Framework for Deep Incomplete Network Embedding [33.97952453310253]
本稿では,ディープ不完全ネットワーク埋め込み,すなわちDINEを提案する。
まず、期待最大化フレームワークを用いて、部分的に観測可能なネットワーク内のノードとエッジの両方を含む欠落部分を完成させる。
マルチラベル分類およびリンク予測タスクにおいて,DINEを3つのネットワーク上で評価する。
論文 参考訳（メタデータ） (2020-08-09T04:59:35Z) - Unifying Graph Convolutional Neural Networks and Label Propagation [73.82013612939507]
LPAとGCNの関係を特徴・ラベルの平滑化と特徴・ラベルの影響の2点の観点から検討した。
理論解析に基づいて,ノード分類のためのGCNとLCAを統一するエンドツーエンドモデルを提案する。
我々のモデルは、既存の特徴に基づく注目モデルよりもタスク指向のノードラベルに基づく学習注意重みと見なすこともできる。
論文 参考訳（メタデータ） (2020-02-17T03:23:13Z)
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。