論文の概要: Random Walk on Multiple Networks
- arxiv url: http://arxiv.org/abs/2307.01637v1
- Date: Tue, 4 Jul 2023 10:45:11 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-06 17:30:02.022394
- Title: Random Walk on Multiple Networks
- Title(参考訳): 複数ネットワーク上のランダムウォーク
- Authors: Dongsheng Luo, Yuchen Bian, Yaowei Yan, Xiong Yu, Jun Huan, Xiao Liu,
Xiang Zhang
- Abstract要約: 本稿では,複数のネットワークにおけるリッチな情報を活用するために,複数ネットワーク上のランダムウォーク(RWM)を提案する。
RWMは各ネットワーク上でランダムなウォーカを送り、局所的な近接を求める。
合成データセットと実世界のデータセットの両方で実施された実験は、RWMの有効性と効率を実証している。
- 参考スコア(独自算出の注目度): 20.52880283389138
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Random Walk is a basic algorithm to explore the structure of networks, which
can be used in many tasks, such as local community detection and network
embedding. Existing random walk methods are based on single networks that
contain limited information. In contrast, real data often contain entities with
different types or/and from different sources, which are comprehensive and can
be better modeled by multiple networks. To take advantage of rich information
in multiple networks and make better inferences on entities, in this study, we
propose random walk on multiple networks, RWM. RWM is flexible and supports
both multiplex networks and general multiple networks, which may form
many-to-many node mappings between networks. RWM sends a random walker on each
network to obtain the local proximity (i.e., node visiting probabilities)
w.r.t. the starting nodes. Walkers with similar visiting probabilities
reinforce each other. We theoretically analyze the convergence properties of
RWM. Two approximation methods with theoretical performance guarantees are
proposed for efficient computation. We apply RWM in link prediction, network
embedding, and local community detection. Comprehensive experiments conducted
on both synthetic and real-world datasets demonstrate the effectiveness and
efficiency of RWM.
- Abstract(参考訳): Random Walkはネットワークの構造を探索するための基本的なアルゴリズムであり、ローカルなコミュニティ検出やネットワーク埋め込みといった多くのタスクで使用できる。
既存のランダムウォーク手法は、限られた情報を含む単一ネットワークに基づいている。
対照的に、実際のデータは、しばしば異なるタイプまたは異なるソースのエンティティを含んでおり、それらは包括的であり、複数のネットワークによりより良くモデル化される。
本稿では,複数のネットワークにおけるリッチな情報を活用し,エンティティの推論を改善するために,複数ネットワーク上のランダムウォーク(RWM)を提案する。
RWMは柔軟で、多重ネットワークと一般的な多重ネットワークの両方をサポートし、ネットワーク間の多対多ノードマッピングを形成する。
RWMは各ネットワーク上でランダムなウォーカを送信し、開始ノードの局所的近接(すなわちノード訪問確率)を得る。
同様の訪問確率を持つ歩行者はお互いを強化します。
RWMの収束特性を理論的に解析する。
理論的性能保証を伴う2つの近似法を効率的な計算法として提案する。
リンク予測,ネットワーク埋め込み,地域コミュニティ検出にRWMを適用した。
合成データセットと実世界のデータセットの両方で実施された総合実験は、RWMの有効性と効率を実証している。
関連論文リスト
- Bandwidth-efficient distributed neural network architectures with
application to body sensor networks [73.02174868813475]
本稿では,分散ニューラルネットワークアーキテクチャを設計するための概念設計手法について述べる。
提案手法により,損失を最小限に抑えつつ,最大20倍の帯域幅削減が可能となることを示す。
本稿では,ウェアラブル脳-コンピュータインタフェースに焦点をあてるが,他のセンサネットワークアプリケーションにも適用できる。
論文 参考訳(メタデータ) (2022-10-14T12:35:32Z) - A Theoretical View on Sparsely Activated Networks [21.156069843782017]
本稿では、一般的なアーキテクチャの健全な側面を捉えるデータ依存スパースネットワークの形式モデルを提案する。
次に、LSH(Locality sensitive hashing)に基づくルーティング関数を導入し、スパースネットワークがターゲット関数をどの程度うまく近似するかを判断する。
スパースネットワークはリプシッツ関数上の高密度ネットワークの近似力と一致することが証明できる。
論文 参考訳(メタデータ) (2022-08-08T23:14:48Z) - Community detection using low-dimensional network embedding algorithms [1.052782170493037]
我々はDeepWalkとnode2vecという2つの主要なアルゴリズムが、標準ネットワークモデルのためのコミュニティを回復する際の性能を厳格に理解している。
固定された共起窓を考えると、非追跡確率の低いランダムウォークを用いた node2vec は、多くのスペーサーネットワークで成功することを示す。
論文 参考訳(メタデータ) (2021-11-04T14:57:43Z) - Unsupervised Domain-adaptive Hash for Networks [81.49184987430333]
ドメイン適応型ハッシュ学習はコンピュータビジョンコミュニティでかなりの成功を収めた。
UDAHと呼ばれるネットワークのための教師なしドメイン適応型ハッシュ学習手法を開発した。
論文 参考訳(メタデータ) (2021-08-20T12:09:38Z) - Universal Multilayer Network Exploration by Random Walk with Restart [0.0]
MultiXrankはPythonパッケージで、あらゆる種類のマルチレイヤネットワーク上でRandom Walk with Restartを可能にする。
我々は,MultiXrankがヒト遺伝疾患の文脈において,教師なしノード優先順位付けや教師なし分類にどのように利用できるかを示す。
論文 参考訳(メタデータ) (2021-07-09T17:33:45Z) - Learning Autonomy in Management of Wireless Random Networks [102.02142856863563]
本稿では,任意の数のランダム接続ノードを持つ無線ネットワークにおいて,分散最適化タスクに取り組む機械学習戦略を提案する。
我々は,ネットワークトポロジとは無関係に,前方および後方に計算を行う分散メッセージパスニューラルネットワーク(DMPNN)と呼ばれる,柔軟な深層ニューラルネットワーク形式を開発した。
論文 参考訳(メタデータ) (2021-06-15T09:03:28Z) - MultiVERSE: a multiplex and multiplex-heterogeneous network embedding
approach [0.0]
MultiVERSEは、マルチプレックスおよびマルチプレックスヘテロジニアスネットワークからノード埋め込みを学習する高速でスケーラブルな方法である。
生体およびソーシャルネットワーク上でMultiVERSEを評価し,その効率性を実証した。
論文 参考訳(メタデータ) (2020-08-23T18:18:54Z) - Multi-Level Local SGD for Heterogeneous Hierarchical Networks [11.699472346137739]
異種ネットワークにおける学習・非目的フレームワークのための分散勾配法であるマルチレベルローカルSGDを提案する。
まず,マルチレベル局所SGDアルゴリズムを記述する統一数学的手法を提案する。
次に,アルゴリズムの理論的解析を行う。
論文 参考訳(メタデータ) (2020-07-27T19:14:23Z) - A Multi-Semantic Metapath Model for Large Scale Heterogeneous Network
Representation Learning [52.83948119677194]
大規模不均一表現学習のためのマルチセマンティックメタパス(MSM)モデルを提案する。
具体的には,マルチセマンティックなメタパスに基づくランダムウォークを生成し,不均衡な分布を扱うヘテロジニアスな近傍を構築する。
提案するフレームワークに対して,AmazonとAlibabaの2つの挑戦的なデータセットに対して,体系的な評価を行う。
論文 参考訳(メタデータ) (2020-07-19T22:50:20Z) - 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) - Network Adjustment: Channel Search Guided by FLOPs Utilization Ratio [101.84651388520584]
本稿では,ネットワークの精度をFLOPの関数として考慮した,ネットワーク調整という新しいフレームワークを提案する。
標準画像分類データセットと幅広いベースネットワークの実験は、我々のアプローチの有効性を実証している。
論文 参考訳(メタデータ) (2020-04-06T15:51:00Z)
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。