論文の概要: Unsupervised Framework for Evaluating and Explaining Structural Node Embeddings of Graphs

• arxiv url: http://arxiv.org/abs/2306.10770v1
• Date: Mon, 19 Jun 2023 08:27:02 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-21 18:38:12.557484
• Title: Unsupervised Framework for Evaluating and Explaining Structural Node Embeddings of Graphs
• Title（参考訳）: グラフの構造ノード埋め込みの評価と説明のための教師なしフレームワーク
• Authors: Ashkan Dehghan, Kinga Siuta, Agata Skorupka, Andrei Betlen, David Miller, Bogumil Kaminski, Pawel Pralat
• Abstract要約: 埋め込みとは、ネットワークのノードの集合から実際のベクトル空間へのマッピングである。 古典的な埋め込みには、データサイエンティストが(教師なしの方法で)さらなる調査に値する埋め込みを識別するのに役立つフレームワークが存在する。 本稿では,構造グラフ埋め込みの教師なしランキングのためのフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 2.539920413471809
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: An embedding is a mapping from a set of nodes of a network into a real vector space. Embeddings can have various aims like capturing the underlying graph topology and structure, node-to-node relationship, or other relevant information about the graph, its subgraphs or nodes themselves. A practical challenge with using embeddings is that there are many available variants to choose from. Selecting a small set of most promising embeddings from the long list of possible options for a given task is challenging and often requires domain expertise. Embeddings can be categorized into two main types: classical embeddings and structural embeddings. Classical embeddings focus on learning both local and global proximity of nodes, while structural embeddings learn information specifically about the local structure of nodes' neighbourhood. For classical node embeddings there exists a framework which helps data scientists to identify (in an unsupervised way) a few embeddings that are worth further investigation. Unfortunately, no such framework exists for structural embeddings. In this paper we propose a framework for unsupervised ranking of structural graph embeddings. The proposed framework, apart from assigning an aggregate quality score for a structural embedding, additionally gives a data scientist insights into properties of this embedding. It produces information which predefined node features the embedding learns, how well it learns them, and which dimensions in the embedded space represent the predefined node features. Using this information the user gets a level of explainability to an otherwise complex black-box embedding algorithm.
• Abstract（参考訳）: 埋め込みとは、ネットワークのノードの集合から実際のベクトル空間へのマッピングである。 埋め込みは、基礎となるグラフトポロジと構造、ノード間関係、あるいはグラフ、そのサブグラフまたはノード自身に関するその他の関連情報を取得するなど、さまざまな目的を持つことができる。 組込みを使用する上での現実的な課題は、選択すべきバリエーションが多数存在することだ。 与えられたタスクの可能な選択肢の長いリストから、最も有望な埋め込みの小さなセットを選択することは困難であり、しばしばドメインの専門知識を必要とする。 埋め込みは、古典的埋め込みと構造的埋め込みの2つの主なタイプに分類できる。 古典的埋め込みはノードの局所的および大域的近接性の両方を学ぶことに焦点を当て、構造的埋め込みはノードの近傍の局所的構造に関する情報を学習する。 古典的なノード組込みには、データサイエンティストが(教師なしの方法で)さらなる調査に値するいくつかの組込みを識別するのに役立つフレームワークがある。 残念ながら、構造埋め込みのためのそのようなフレームワークは存在しない。 本稿では構造グラフ埋め込みの教師なしランキングのためのフレームワークを提案する。 提案したフレームワークは、構造的な埋め込みに集約品質スコアを割り当てる以外に、データサイエンティストにこの埋め込みの特性に関する洞察を与える。 組込み学習を事前に定義したノードの特徴、学習の程度、組込み空間内のどの次元が予め定義されたノードの特徴を表すかといった情報を生成する。 この情報を使用することで、ユーザーは、他の複雑なブラックボックス埋め込みアルゴリズムに説明できるレベルを得る。

関連論文リスト

• Decoupled Subgraph Federated Learning [57.588938805581044]
  複数のクライアントに分散したグラフ構造化データに対するフェデレーション学習の課題に対処する。 我々は、このシナリオのための新しいフレームワーク、FedStructを紹介します。 半教師付きノード分類のための6つのデータセットを用いて実験結果を用いてFedStructの有効性を検証する。
  論文  参考訳（メタデータ） (2024-02-29T13:47:23Z)
• Local Graph Embeddings Based on Neighbors Degree Frequency of Nodes [0.0]
  本稿では,ノードの特定の局所的特徴とベクトル表現を定義することによって,グラフ機械学習とネットワーク解析の戦略を提案する。 Breath-First Search を通じてノードの次数の概念を拡張することにより、bf 中心関数の一般族が定義される。 これらの局所的な特徴に深層学習を適用することで、中心性と近接性を学ぶことができることを示す。
  論文  参考訳（メタデータ） (2022-07-30T07:07:30Z)
• SHGNN: Structure-Aware Heterogeneous Graph Neural Network [77.78459918119536]
  本稿では、上記の制約に対処する構造対応不均一グラフニューラルネットワーク(SHGNN)を提案する。 まず,メタパス内の中間ノードの局所構造情報を取得するために,特徴伝搬モジュールを利用する。 次に、ツリーアテンションアグリゲータを使用して、グラフ構造情報をメタパス上のアグリゲーションモジュールに組み込む。 最後に、メタパスアグリゲータを利用して、異なるメタパスから集約された情報を融合する。
  論文  参考訳（メタデータ） (2021-12-12T14:18:18Z)
• A Multi-purposed Unsupervised Framework for Comparing Embeddings of Undirected and Directed Graphs [0.0]
  筆者らが最近導入したグラフ埋め込み評価フレームワークを拡張した。 適切な埋め込みは、基礎となるグラフトポロジと構造、ノード間関係、その他の関連する情報をキャプチャする必要がある。 フレームワークは柔軟でスケーラブルで、非指向/指向/重み付き/非重み付きグラフを扱うことができる。
  論文  参考訳（メタデータ） (2021-11-30T20:20:30Z)
• Graph Embedding with Hierarchical Attentive Membership [35.998704625736394]
  ノードの潜在階層的なグループ化は、各ノードが特定のグループへのメンバシップを示す大局的な視点に存在する。 ほとんどの先行研究は、近傍構造をモデル化する際、そのような潜伏群と異なる群へのノードのメンバシップを無視する。 グラフ埋め込みのための新しい階層型注意型メンバシップモデルを提案し,各ノードの潜在メンバシップをその隣接状況に基づいて動的に発見する。
  論文  参考訳（メタデータ） (2021-10-31T22:00:48Z)
• Node Proximity Is All You Need: Unified Structural and Positional Node and Graph Embedding [18.25557372049711]
  構造ノードと位置ノードの埋め込みを計算するための近接ベースの統合フレームワークであるPhUSIONを提示する。 PhUSIONノードの埋め込みを集約することで、従来のグラフ機能学習やカーネルメソッドで失われた情報をモデル化するグラフレベルの機能を得る。
  論文  参考訳（メタデータ） (2021-02-26T16:48:39Z)
• Hierarchical Graph Capsule Network [78.4325268572233]
  ノード埋め込みを共同で学習し,グラフ階層を抽出できる階層型グラフカプセルネットワーク(HGCN)を提案する。 階層的表現を学ぶために、HGCNは下層カプセル(部分)と高層カプセル(全体)の間の部分的関係を特徴付ける。
  論文  参考訳（メタデータ） (2020-12-16T04:13:26Z)
• HOSE-Net: Higher Order Structure Embedded Network for Scene Graph Generation [20.148175528691905]
  本稿では,関係の局所的および大域的構造情報を出力空間に組み込むための新しい構造認識型組込み分類器(SEC)モジュールを提案する。 また,高次構造情報を導入して部分空間の数を減らし,階層的セマンティックアグリゲーション(HSA)モジュールを提案する。 提案したHOSE-Netは、Visual GenomeとVRDの2つの人気のあるベンチマークで最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2020-08-12T07:58:13Z)
• node2coords: Graph Representation Learning with Wasserstein Barycenters [59.07120857271367]
  グラフの表現学習アルゴリズムである node2coords を導入する。 低次元空間を同時に学習し、その空間内のノードを座標する。 実験の結果,node2coordで学習した表現は解釈可能であることがわかった。
  論文  参考訳（メタデータ） (2020-07-31T13:14:25Z)
• Graph Neural Networks with Composite Kernels [60.81504431653264]
  カーネル重み付けの観点からノード集約を再解釈する。 本稿では,アグリゲーション方式における特徴類似性を考慮したフレームワークを提案する。 特徴空間における特徴類似性をエンコードするために,元の隣り合うカーネルと学習可能なカーネルの合成として特徴集約を提案する。
  論文  参考訳（メタデータ） (2020-05-16T04:44:29Z)
• Graph Inference Learning for Semi-supervised Classification [50.55765399527556]
  半教師付きノード分類の性能を高めるためのグラフ推論学習フレームワークを提案する。 推論過程の学習には,トレーニングノードから検証ノードへの構造関係のメタ最適化を導入する。 4つのベンチマークデータセットの総合的な評価は、最先端の手法と比較して提案したGILの優位性を示している。
  論文  参考訳（メタデータ） (2020-01-17T02:52:30Z)

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。