論文の概要: Source-Aware Embedding Training on Heterogeneous Information Networks

• arxiv url: http://arxiv.org/abs/2307.04336v1
• Date: Mon, 10 Jul 2023 04:22:49 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-11 14:22:05.373810
• Title: Source-Aware Embedding Training on Heterogeneous Information Networks
• Title（参考訳）: 異種情報ネットワーク上でのソース・アウェア埋め込みトレーニング
• Authors: Tsai Hor Chan, Chi Ho Wong, Jiajun Shen, Guosheng Yin
• Abstract要約: 異種情報ネットワーク埋め込みの複数のソース間の埋め込み分布を整合させるスケーラブルなアン教師なしフレームワークを提案する。 様々な下流タスクにおける実世界のデータセットに関する実験結果は、最先端の異種情報ネットワーク埋め込みアルゴリズムに対して、我々の手法の性能を検証している。
• 参考スコア（独自算出の注目度）: 11.006488894262748
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Heterogeneous information networks (HINs) have been extensively applied to real-world tasks, such as recommendation systems, social networks, and citation networks. While existing HIN representation learning methods can effectively learn the semantic and structural features in the network, little awareness was given to the distribution discrepancy of subgraphs within a single HIN. However, we find that ignoring such distribution discrepancy among subgraphs from multiple sources would hinder the effectiveness of graph embedding learning algorithms. This motivates us to propose SUMSHINE (Scalable Unsupervised Multi-Source Heterogeneous Information Network Embedding) -- a scalable unsupervised framework to align the embedding distributions among multiple sources of an HIN. Experimental results on real-world datasets in a variety of downstream tasks validate the performance of our method over the state-of-the-art heterogeneous information network embedding algorithms.
• Abstract（参考訳）: 不均一情報ネットワーク(HIN)は、レコメンデーションシステム、ソーシャルネットワーク、引用ネットワークといった現実世界のタスクに広く応用されている。 既存のHIN表現学習手法はネットワーク内の意味的特徴と構造的特徴を効果的に学習できるが、単一のHIN内のサブグラフの分布差にはほとんど認識されなかった。 しかし,複数のサブグラフ間の分布の不一致を無視すると,グラフ埋め込み学習アルゴリズムの有効性が損なわれることがわかった。 SUMSHINE(Scalable Unsupervised Multi-Source Heterogeneous Information Network Embedding)は、HINの複数のソース間の埋め込み分布を整合させるスケーラブルなアン教師なしフレームワークである。 様々な下流タスクにおける実世界のデータセットに関する実験結果は、最先端の異種情報ネットワーク埋め込みアルゴリズムによる手法の性能を検証する。

関連論文リスト

• Decentralized Learning Strategies for Estimation Error Minimization with Graph Neural Networks [94.2860766709971]
  統計的に同一性を持つ無線ネットワークにおける自己回帰的マルコフ過程のサンプリングとリモート推定の課題に対処する。 我々のゴールは、分散化されたスケーラブルサンプリングおよび送信ポリシーを用いて、時間平均推定誤差と/または情報の年齢を最小化することである。
  論文  参考訳（メタデータ） (2024-04-04T06:24:11Z)
• Cross-feature Contrastive Loss for Decentralized Deep Learning on Heterogeneous Data [8.946847190099206]
  異種データに基づく分散学習のための新しい手法を提案する。 一対の隣接するエージェントのクロスフィーチャーは、他のエージェントのモデルパラメータに関するエージェントのデータから得られる特徴である。 実験の結果,提案手法は異種データを用いた分散学習手法に比べて性能(テスト精度が0.2～4%向上)が優れていることがわかった。
  論文  参考訳（メタデータ） (2023-10-24T14:48:23Z)
• Global Update Tracking: A Decentralized Learning Algorithm for Heterogeneous Data [14.386062807300666]
  本稿では,デバイス間のデータ分散の変化の影響を受けにくい分散学習アルゴリズムの設計に焦点をあてる。 我々は,分散学習における異種データの影響を,通信オーバーヘッドを伴わずに緩和することを目的とした,新たなトラッキングベース手法であるGUTを提案する。 提案手法は,既存手法と比較して1～6%の精度向上により,異種データの分散学習における最先端性能を実現する。
  論文  参考訳（メタデータ） (2023-05-08T15:48:53Z)
• Rank Flow Embedding for Unsupervised and Semi-Supervised Manifold Learning [9.171175292808144]
  本稿では,教師なしおよび半教師付きシナリオに対するランクフロー埋め込み (RFE) という新しい多様体学習アルゴリズムを提案する。 RFEは文脈に敏感な埋め込みを計算し、それはランクベースの処理フローに従って洗練される。 生成された埋め込みは、より効果的な教師なし検索や半教師付き分類に利用することができる。
  論文  参考訳（メタデータ） (2023-04-24T21:02:12Z)
• Decomposing neural networks as mappings of correlation functions [57.52754806616669]
  本研究では,ディープフィードフォワードネットワークによって実装された確率分布のマッピングについて検討する。 ニューラルネットワークで使用できる異なる情報表現と同様に、データに不可欠な統計を識別する。
  論文  参考訳（メタデータ） (2022-02-10T09:30:31Z)
• Handling Distribution Shifts on Graphs: An Invariance Perspective [78.31180235269035]
  我々は、グラフ上のOOD問題を定式化し、新しい不変学習手法である探索・拡張リスク最小化(EERM)を開発する。 EERMは、複数の仮想環境からのリスクの分散を最大化するために、敵対的に訓練された複数のコンテキストエクスプローラーを利用する。 理論的に有効なOOD解の保証を示すことによって,本手法の有効性を実証する。
  論文  参考訳（メタデータ） (2022-02-05T02:31:01Z)
• DeHIN: A Decentralized Framework for Embedding Large-scale Heterogeneous Information Networks [64.62314068155997]
  本稿では,異種情報ネットワーク(DeHIN)のための分散埋め込みフレームワークについて述べる。 DeHINは、大きなHINをハイパーグラフとして革新的に定式化するコンテキスト保存分割機構を提供する。 当社のフレームワークでは,木のようなパイプラインを採用することで,効率よくHINを分割する分散戦略を採用しています。
  論文  参考訳（メタデータ） (2022-01-08T04:08:36Z)
• Investigating Shifts in GAN Output-Distributions [5.076419064097734]
  本稿では,実学習データとGAN生成データの分布の可観測的変化を系統的に調査するためのループ学習手法を提案する。 全体として、これらの手法を組み合わせることで、現在のGANアルゴリズムの自然的制限を爆発的に調査することができる。
  論文  参考訳（メタデータ） (2021-12-28T09:16:55Z)
• Anomaly Detection on Attributed Networks via Contrastive Self-Supervised Learning [50.24174211654775]
  本論文では,アトリビュートネットワーク上の異常検出のためのコントラスト型自己監視学習フレームワークを提案する。 このフレームワークは、新しいタイプのコントラストインスタンスペアをサンプリングすることで、ネットワークデータからのローカル情報を完全に活用します。 高次元特性と局所構造から情報埋め込みを学習するグラフニューラルネットワークに基づくコントラスト学習モデルを提案する。
  論文  参考訳（メタデータ） (2021-02-27T03:17:20Z)
• GAHNE: Graph-Aggregated Heterogeneous Network Embedding [32.44836376873812]
  異種ネットワーク埋め込みは、ノードを低次元ベクトルに埋め込み、異種ネットワークの豊富な本質的な情報を捕捉することを目的としている。 既存のモデルは、手動でメタパスを設計するか、異なるセマンティクス間の相互効果を無視するか、あるいはグローバルネットワークからの情報のいくつかの側面を省略する。 GAHNEモデルでは、異なる単一タイプのサブネットワークからのセマンティック表現を集約する機構を開発し、グローバル情報を最終埋め込みに融合させる。
  論文  参考訳（メタデータ） (2020-12-23T07:11:30Z)
• When Relation Networks meet GANs: Relation GANs with Triplet Loss [110.7572918636599]
  GAN(Generative Adversarial Network)の学習安定性はいまだに悩みの種である 本稿では,判別器のための関係ネットワークアーキテクチャについて検討し,より優れた一般化と安定性を実現する三重項損失を設計する。 ベンチマークデータセットの実験により、提案された関係判別器と新たな損失は、可変視覚タスクに大幅な改善をもたらすことが示された。
  論文  参考訳（メタデータ） (2020-02-24T11:35:28Z)

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。