論文の概要: Discovering Communication Pattern Shifts in Large-Scale Labeled Networks
using Encoder Embedding and Vertex Dynamics
- arxiv url: http://arxiv.org/abs/2305.02381v2
- Date: Wed, 29 Nov 2023 21:05:22 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-01 23:22:22.664682
- Title: Discovering Communication Pattern Shifts in Large-Scale Labeled Networks
using Encoder Embedding and Vertex Dynamics
- Title(参考訳): エンコーダ埋め込みと頂点ダイナミクスを用いた大規模ラベリングネットワークにおける通信パターンシフトの発見
- Authors: Cencheng Shen, Jonathan Larson, Ha Trinh, Xihan Qin, Youngser Park,
Carey E. Priebe
- Abstract要約: ソーシャルメディアや電子メール通信などの大規模時系列ネットワークデータを分析することは、大きな課題となる。
本稿では,大規模グラフデータの効率的な埋め込みを可能にする時間エンコーダ埋め込み手法を提案する。
我々は,大規模組織から匿名化された時系列通信ネットワークを解析することによって,我々のアプローチを実証する。
- 参考スコア(独自算出の注目度): 15.672962997741385
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Analyzing large-scale time-series network data, such as social media and
email communications, poses a significant challenge in understanding social
dynamics, detecting anomalies, and predicting trends. In particular, the
scalability of graph analysis is a critical hurdle impeding progress in
large-scale downstream inference. To address this challenge, we introduce a
temporal encoder embedding method. This approach leverages ground-truth or
estimated vertex labels, enabling an efficient embedding of large-scale graph
data and the processing of billions of edges within minutes. Furthermore, this
embedding unveils a temporal dynamic statistic capable of detecting
communication pattern shifts across all levels, ranging from individual
vertices to vertex communities and the overall graph structure. We provide
theoretical support to confirm its soundness under random graph models, and
demonstrate its numerical advantages in capturing evolving communities and
identifying outliers. Finally, we showcase the practical application of our
approach by analyzing an anonymized time-series communication network from a
large organization spanning 2019-2020, enabling us to assess the impact of
Covid-19 on workplace communication patterns.
- Abstract(参考訳): ソーシャルメディアや電子メール通信などの大規模時系列ネットワークデータの解析は、社会的ダイナミクスの理解、異常の検出、トレンド予測において大きな課題となる。
特に、グラフ解析のスケーラビリティは、大規模な下流推論の進歩を妨げる重要なハードルである。
この課題に対処するために,時間エンコーダ埋め込み方式を提案する。
このアプローチでは、接地あるいは推定頂点ラベルを活用して、大規模なグラフデータの効率的な埋め込みと数十億のエッジの処理を数分で実現する。
さらに、この埋め込みは、個々の頂点から頂点コミュニティ、全体グラフ構造まで、すべてのレベルにわたるコミュニケーションパターンシフトを検出可能な、時間的動的統計値を公開する。
ランダムグラフモデルの下でその健全性を確認するための理論的支援を提供し,進化するコミュニティを捉え,異常値を特定する上での数値的利点を実証する。
最後に,2019~2020年にかけての大規模組織から匿名化された時系列通信ネットワークを解析し,コビッド19が職場コミュニケーションパターンに与える影響を評価することで,我々のアプローチの実践的応用を実証する。
関連論文リスト
- SAMSGL: Series-Aligned Multi-Scale Graph Learning for Spatio-Temporal
Forecasting [6.543402367260976]
予測性能の向上を目的としたSGL(Series-Aligned Multi-Scale Graph Learning)フレームワークを提案する。
本研究では,非遅延グラフ信号の集約を容易にする一連のグラフ層を提案する。
気象・交通予測データセットについて実験を行い,その有効性と優越性を実証した。
論文 参考訳(メタデータ) (2023-12-05T10:37:54Z) - Sparse Training of Discrete Diffusion Models for Graph Generation [50.691834214298]
グラフの生成モデルは、各ノードペアの相互作用を予測する必要があるため、スケーラビリティ上の問題に遭遇することが多い。
本稿では,SparseDiffについて紹介する。SparseDiffは,グラフ生成のためのデノナイズ拡散モデルである。
実験結果から, SparseDiffは, 小グラフと大グラフの両方において, 生成性能の同時一致を示す。
論文 参考訳(メタデータ) (2023-11-03T16:50:26Z) - Network Alignment with Transferable Graph Autoencoders [87.28177782039265]
本稿では,強力で堅牢なノード埋め込みを抽出するグラフオートエンコーダアーキテクチャを提案する。
生成した埋め込みがグラフの固有値と固有ベクトルと結びついていることを証明する。
提案フレームワークは転送学習とデータ拡張を利用して,大規模なネットワークアライメントを実現する。
論文 参考訳(メタデータ) (2023-10-05T02:58:29Z) - Coupled Attention Networks for Multivariate Time Series Anomaly
Detection [10.620044922371177]
多変量時系列データにおける異常検出のためのアテンションベースニューラルネットワークフレームワーク(CAN)を提案する。
センサ間の関係と時間的依存関係をキャプチャするために、グローバルローカルグラフに基づく畳み込みニューラルネットワークを時間的自己認識モジュールに統合する。
論文 参考訳(メタデータ) (2023-06-12T13:42:56Z) - Graph Neural Networks for Multi-Robot Active Information Acquisition [15.900385823366117]
基礎となるグラフを通して通信する移動ロボットのチームは、興味のある現象を表す隠れた状態を推定する。
既存のアプローチはスケーラブルではないか、動的現象に対処できないか、あるいは通信グラフの変化に対して堅牢でないかのどちらかです。
本稿では,グラフ表現上に情報を集約し,逐次決定を分散的に行う情報対応グラフブロックネットワーク(I-GBNet)を提案する。
論文 参考訳(メタデータ) (2022-09-24T21:45:06Z) - Dynamic Community Detection via Adversarial Temporal Graph
Representation Learning [17.487265170798974]
本研究では,脳ネットワークデータの少数のサンプルから動的コミュニティを検出するために,対角時間グラフ表現学習フレームワークを提案する。
さらに、このフレームワークは、時間グラフ表現の学習をガイドし、測定可能なモジュラリティ損失を最適化して、コミュニティのモジュラリティを最大化するために、敵対的なトレーニングを採用している。
論文 参考訳(メタデータ) (2022-06-29T08:44:22Z) - From Unsupervised to Few-shot Graph Anomaly Detection: A Multi-scale
Contrastive Learning Approach [49.439021563395976]
グラフデータからの異常検出は、ソーシャルネットワーク、金融、eコマースなど、多くのアプリケーションにおいて重要なデータマイニングタスクである。
マルチスケールcONtrastive lEarning(略してANEMONE)を用いた新しいフレームワーク, graph Anomaly dEtection フレームワークを提案する。
グラフニューラルネットワークをバックボーンとして、複数のグラフスケール(ビュー)から情報をエンコードすることで、グラフ内のノードのより良い表現を学習する。
論文 参考訳(メタデータ) (2022-02-11T09:45:11Z) - Robust Optimization as Data Augmentation for Large-scale Graphs [117.2376815614148]
学習中に勾配に基づく逆方向摂動を伴うノード特徴を反復的に拡張するFLAG(Free Large-scale Adversarial Augmentation on Graphs)を提案する。
FLAGはグラフデータに対する汎用的なアプローチであり、ノード分類、リンク予測、グラフ分類タスクで普遍的に機能する。
論文 参考訳(メタデータ) (2020-10-19T21:51:47Z) - Towards Deeper Graph Neural Networks [63.46470695525957]
グラフ畳み込みは近傍の集約を行い、最も重要なグラフ操作の1つである。
いくつかの最近の研究で、この性能劣化は過度に滑らかな問題に起因している。
本研究では,大きな受容領域からの情報を適応的に組み込むディープ適応グラフニューラルネットワーク(DAGNN)を提案する。
論文 参考訳(メタデータ) (2020-07-18T01:11:14Z) - Structural Temporal Graph Neural Networks for Anomaly Detection in
Dynamic Graphs [54.13919050090926]
本稿では,動的グラフの異常エッジを検出するために,エンドツーエンドの時間構造グラフニューラルネットワークモデルを提案する。
特に,まずターゲットエッジを中心にした$h$ホップ囲むサブグラフを抽出し,各ノードの役割を識別するノードラベル機能を提案する。
抽出した特徴に基づき,GRU(Gated Recurrent Unit)を用いて,異常検出のための時間的情報を取得する。
論文 参考訳(メタデータ) (2020-05-15T09:17:08Z) - Understanding Crowd Behaviors in a Social Event by Passive WiFi Sensing
and Data Mining [21.343209622186606]
本研究では,大規模社会イベントにおける群集行動に関連する3種類のパターンを抽出する包括的データ分析フレームワークを提案する。
まず,移動体の軌跡を探索要求から抽出し,群衆の動きの空間的パターンを明らかにする。
次に、k-meansとk-shapeクラスタリングアルゴリズムを適用し、群衆を訪れる時間パターンを日と場所によって抽出する。
論文 参考訳(メタデータ) (2020-02-05T03:36:00Z)
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。