論文の概要: Temporal network compression via network hashing

• arxiv url: http://arxiv.org/abs/2307.04890v1
• Date: Mon, 10 Jul 2023 20:25:41 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-12 17:00:33.338892
• Title: Temporal network compression via network hashing
• Title（参考訳）: ネットワークハッシュによる時間的ネットワーク圧縮
• Authors: R\'emi Vaudaine, Pierre Borgnat, Paulo Goncalves, R\'emi Gribonval and M\'arton Karsai
• Abstract要約: 本稿では,時間的ネットワーク表現の問題に対処する効率的な行列アルゴリズムを提案する。 第二に、大規模な時間的ネットワークを小さなプロキシに集約し、外部成分を推定しやすくするハッシュフレームワークを提案する。 我々のグラフハッシュソリューションは、時間ネットワークの表現を尊重するプライバシーに影響を及ぼす。
• 参考スコア（独自算出の注目度）: 3.708135408284268
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Pairwise temporal interactions between entities can be represented as temporal networks, which code the propagation of processes such as epidemic spreading or information cascades, evolving on top of them. The largest outcome of these processes is directly linked to the structure of the underlying network. Indeed, a node of a network at given time cannot affect more nodes in the future than it can reach via time-respecting paths. This set of nodes reachable from a source defines an out-component, which identification is costly. In this paper, we propose an efficient matrix algorithm to tackle this issue and show that it outperforms other state-of-the-art methods. Secondly, we propose a hashing framework to coarsen large temporal networks into smaller proxies on which out-components are easier to estimate, and then recombined to obtain the initial components. Our graph hashing solution has implications in privacy respecting representation of temporal networks.
• Abstract（参考訳）: エンティティ間の時間的相互作用は時間的ネットワークとして表現することができ、このネットワークは拡散や情報カスケードといったプロセスの伝播をコードし、その上で進化する。 これらのプロセスの最大の結果は、基盤となるネットワークの構造に直接リンクされる。 実際、ある時点のネットワークのノードは、時間経過経路を介して到達できるため、将来より多くのノードに影響を与えることはない。 ソースから到達可能なこのノードセットは、識別にコストがかかる外部コンポーネントを定義する。 本稿では,この問題に対処する効率的な行列アルゴリズムを提案し,他の最先端手法よりも優れていることを示す。 第二に,大規模な時間的ネットワークをより小さなプロキシに集約し,外部成分を推定しやすくし,初期成分を得るために再結合するハッシュフレームワークを提案する。 我々のグラフハッシュソリューションは、時間ネットワークの表現を尊重するプライバシーに影響を及ぼす。

関連論文リスト

• Multi-perspective Memory Enhanced Network for Identifying Key Nodes in Social Networks [51.54002032659713]
  ソーシャルネットワークにおけるキーノードを識別する新しいマルチパースペクティブメモリ拡張ネットワーク(MMEN)を提案する。 MMENは複数の視点からキーノードをマイニングし、履歴情報を記憶するためにメモリネットワークを利用する。 我々の手法は過去の方法よりも大幅に優れている。
  論文  参考訳（メタデータ） (2024-03-22T14:29:03Z)
• DANI: Fast Diffusion Aware Network Inference with Preserving Topological Structure Property [2.8948274245812327]
  そこで我々は,DANIと呼ばれる新しい手法を提案し,その構造特性を保ちながら基礎となるネットワークを推定する。 DANIは、モジュール構造、次数分布、連結成分、密度、クラスタリング係数を含む構造特性を維持しながら、より高い精度と低い実行時間を有する。
  論文  参考訳（メタデータ） (2023-10-02T23:23:00Z)
• A Learning Based Scheme for Fair Timeliness in Sparse Gossip Networks [41.53961199878831]
  我々は、ソースの情報を追跡する$n$ノードからなるゴシップネットワークを考える。 ソースはPoissonの到着プロセスで情報を更新し、ネットワーク内のノードに更新を送信する。 一部のノードはソースを非常に時間的に追跡できるが、一部のノードはバージョンに遅れることが多い。
  論文  参考訳（メタデータ） (2023-10-02T17:55:17Z)
• Temporal Aggregation and Propagation Graph Neural Networks for Dynamic Representation [67.26422477327179]
  時間グラフは連続時間を通してノード間の動的相互作用を示す。 本研究では,周辺地域全体と時間的グラフ畳み込みの新たな手法を提案する。 提案するTAP-GNNは,予測性能とオンライン推論遅延の両面で,既存の時間グラフ手法よりも優れた性能を示す。
  論文  参考訳（メタデータ） (2023-04-15T08:17:18Z)
• Direct Embedding of Temporal Network Edges via Time-Decayed Line Graphs [51.51417735550026]
  時間的ネットワーク上での機械学習の方法は、一般的に2つの制限のうちの少なくとも1つを示す。 ネットワークのライングラフは,各インタラクションのノードを含むもので,インタラクション間の時間差に基づいて,このグラフのエッジを重み付けする。 実世界のネットワークにおける実験結果から,エッジ分類と時間リンク予測の両方において,本手法の有効性と有効性を示す。
  論文  参考訳（メタデータ） (2022-09-30T18:24:13Z)
• Temporal Graph Network Embedding with Causal Anonymous Walks Representations [54.05212871508062]
  本稿では,時間グラフネットワークに基づく動的ネットワーク表現学習のための新しいアプローチを提案する。 評価のために、時間的ネットワーク埋め込みの評価のためのベンチマークパイプラインを提供する。 欧州の大手銀行が提供した実世界のダウンストリームグラフ機械学習タスクにおいて、我々のモデルの適用性と優れた性能を示す。
  論文  参考訳（メタデータ） (2021-08-19T15:39:52Z)
• Spatiotemporal Graph Neural Network based Mask Reconstruction for Video Object Segmentation [70.97625552643493]
  本稿では,クラス非依存オブジェクトを半教師あり設定でセグメント化するタスクについて述べる。 提案手法のすべてを利用して局所的なコンテキストを捕捉する新しいグラフニューラルネットワーク(TG-Net)を提案する。
  論文  参考訳（メタデータ） (2020-12-10T07:57:44Z)
• TempNodeEmb:Temporal Node Embedding considering temporal edge influence matrix [0.8941624592392746]
  時間的ネットワークにおけるノード間の将来のリンクを予測することは、時間的ネットワークの進化の重要な側面を明らかにする。 いくつかのアプローチは、時間ネットワークの単純化された表現を、高次元で一般にスパース行列で考える。 本稿では, 単純な3層グラフニューラルネットワークを各ステップで考慮し, ネットワークの進化特性を利用した新しいノード埋め込み手法を提案する。
  論文  参考訳（メタデータ） (2020-08-16T15:39:07Z)
• Online Dynamic Network Embedding [26.203786679460528]
  本稿では,動的ネットワークを扱うためにRNNE(Recurrent Neural Network Embedding)アルゴリズムを提案する。 RNNEはネットワークの静的特性と動的特性の両方を考慮している。 RNNEを5つのネットワーク上で評価し、最先端のアルゴリズムと比較する。
  論文  参考訳（メタデータ） (2020-06-30T02:21:37Z)
• ESPN: Extremely Sparse Pruned Networks [50.436905934791035]
  簡単な反復マスク探索法により,非常に深いネットワークの最先端の圧縮を実現することができることを示す。 本アルゴリズムは,シングルショット・ネットワーク・プルーニング法とロッテ・ティケット方式のハイブリッド・アプローチを示す。
  論文  参考訳（メタデータ） (2020-06-28T23:09:27Z)
• Temporal Network Representation Learning via Historical Neighborhoods Aggregation [28.397309507168128]
  本稿では,EHNAアルゴリズムによる埋め込みを提案する。 まず,歴史地区のノードを特定できる時間的ランダムウォークを提案する。 次に,ノード埋め込みを誘導するカスタムアテンション機構を用いたディープラーニングモデルを適用する。
  論文  参考訳（メタデータ） (2020-03-30T04:18:48Z)

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。