論文の概要: XFlow: Benchmarking Flow Behaviors over Graphs
- arxiv url: http://arxiv.org/abs/2308.03819v1
- Date: Mon, 7 Aug 2023 14:49:22 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-09 15:23:59.296736
- Title: XFlow: Benchmarking Flow Behaviors over Graphs
- Title(参考訳): XFlow: グラフ上のフロー挙動のベンチマーク
- Authors: Zijian Zhang, Zonghan Zhang, Zhiqian Chen
- Abstract要約: ネットワークの研究は、数学、物理学、社会科学、計算機科学を含む様々な学術分野を含む。
この分野での現在の研究の大きな障害の1つは、ネットワークシナリオにおけるフローの振る舞いを研究するためのベンチマークスイートが存在しないことである。
本稿では,タスク,ベースラインモデル,グラフデータセット,評価ツールなどを含む新しいベンチマークスイートの実装を提案する。
- 参考スコア(独自算出の注目度): 8.324217198711208
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The occurrence of diffusion on a graph is a prevalent and significant
phenomenon, as evidenced by the spread of rumors, influenza-like viruses, smart
grid failures, and similar events. Comprehending the behaviors of flow is a
formidable task, due to the intricate interplay between the distribution of
seeds that initiate flow propagation, the propagation model, and the topology
of the graph. The study of networks encompasses a diverse range of academic
disciplines, including mathematics, physics, social science, and computer
science. This interdisciplinary nature of network research is characterized by
a high degree of specialization and compartmentalization, and the cooperation
facilitated by them is inadequate. From a machine learning standpoint, there is
a deficiency in a cohesive platform for assessing algorithms across various
domains. One of the primary obstacles to current research in this field is the
absence of a comprehensive curated benchmark suite to study the flow behaviors
under network scenarios.
To address this disparity, we propose the implementation of a novel benchmark
suite that encompasses a variety of tasks, baseline models, graph datasets, and
evaluation tools. In addition, we present a comprehensive analytical framework
that offers a generalized approach to numerous flow-related tasks across
diverse domains, serving as a blueprint and roadmap. Drawing upon the outcomes
of our empirical investigation, we analyze the advantages and disadvantages of
current foundational models, and we underscore potential avenues for further
study. The datasets, code, and baseline models have been made available for the
public at: https://github.com/XGraphing/XFlow
- Abstract(参考訳): グラフ上での拡散の発生は、噂、インフルエンザのようなウイルス、スマートグリッドの故障、同様の出来事の拡散によって証明されるように、広くて重要な現象である。
流れの伝播を開始する種子の分布、伝播モデル、およびグラフのトポロジーの間の複雑な相互作用のため、流れの挙動の理解は恐ろしい作業である。
ネットワークの研究は、数学、物理学、社会科学、コンピュータ科学を含む様々な学術分野を包含している。
このネットワーク研究の学際的な性質は、高度に専門化と区画化が特徴であり、それらによる協力が不十分である。
機械学習の観点からは、さまざまなドメインにわたるアルゴリズムを評価するための凝集プラットフォームが不足している。
この分野での現在の研究の大きな障害の1つは、ネットワークシナリオにおけるフローの振る舞いを研究する包括的なベンチマークスイートがないことである。
この格差に対処するために、さまざまなタスク、ベースラインモデル、グラフデータセット、評価ツールを含む新しいベンチマークスイートの実装を提案する。
さらに,さまざまな領域にまたがる多数のフロー関連タスクに対して,ブループリントやロードマップなどの汎用的なアプローチを提供する包括的分析フレームワークを提案する。
経験的調査の結果を踏まえて,現在の基礎モデルの利点と欠点を分析し,今後の研究に向けた可能性について考察する。
データセット、コード、ベースラインモデルが公開された。 https://github.com/xgraphing/xflow
関連論文リスト
- Graph Learning under Distribution Shifts: A Comprehensive Survey on
Domain Adaptation, Out-of-distribution, and Continual Learning [53.81365215811222]
グラフ学習の文脈における分布変化に対処する最新のアプローチ、戦略、洞察のレビューと要約を提供する。
既存のグラフ学習手法を,グラフ領域適応学習,グラフ配布学習,グラフ連続学習など,いくつかの重要なシナリオに分類する。
本稿では,この領域における現状を体系的に分析し,分散シフト下でのグラフ学習の可能性と今後の方向性について論じる。
論文 参考訳(メタデータ) (2024-02-26T07:52:40Z) - Bures-Wasserstein Means of Graphs [60.42414991820453]
本研究では,スムーズなグラフ信号分布の空間への埋め込みを通じて,グラフ平均を定義する新しいフレームワークを提案する。
この埋め込み空間において平均を求めることにより、構造情報を保存する平均グラフを復元することができる。
我々は,新しいグラフの意味の存在と特異性を確立し,それを計算するための反復アルゴリズムを提供する。
論文 参考訳(メタデータ) (2023-05-31T11:04:53Z) - Counterfactual Learning on Graphs: A Survey [34.47646823407408]
グラフニューラルネットワーク(GNN)は,グラフ上での表現学習において大きな成功を収めている。
グラフ上のカウンターファクトラーニングは、これらの欠点を緩和する有望な結果を示している。
グラフ上の反ファクトフェアネス、説明可能性、リンク予測など、様々な手法が提案されている。
論文 参考訳(メタデータ) (2023-04-03T21:42:42Z) - Graph Neural Modeling of Network Flows [6.199818486385127]
Per-Edge Weights (PEW) と呼ばれるネットワークフロー問題に対する新しいグラフ学習アーキテクチャを提案する。
PEWはグラフアテンションネットワーク上に構築され、各リンクに沿って明確にパラメータ化されたメッセージ関数を使用する。
PEWはグローバルメッセージ関数を制約するルーティング方式よりもかなりの利得が得られることを示す。
論文 参考訳(メタデータ) (2022-09-12T12:45:45Z) - Graph Pooling for Graph Neural Networks: Progress, Challenges, and
Opportunities [128.55790219377315]
グラフニューラルネットワークは多くのグラフレベルのタスクの主要なアーキテクチャとして登場した。
グラフプーリングは、グラフ全体の全体的グラフレベル表現を得るためには不可欠である。
論文 参考訳(メタデータ) (2022-04-15T04:02:06Z) - 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) - Graph Mixture Density Networks [24.0362474769709]
任意の入力グラフに条件付きマルチモーダル出力分布を適合させることができる機械学習モデルの新しいファミリーであるグラフ混合密度ネットワークを導入する。
マルチモダリティと構造を両面から考えると,疫病発生の可能性に大きな改善があることが示唆された。
論文 参考訳(メタデータ) (2020-12-05T17:39:38Z) - 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) - Quantifying Challenges in the Application of Graph Representation
Learning [0.0]
私たちは、一般的な埋め込みアプローチのセットに対して、アプリケーション指向の視点を提供します。
実世界のグラフ特性に関する表現力を評価する。
GRLアプローチは現実のシナリオでは定義が困難であることが示唆された。
論文 参考訳(メタデータ) (2020-06-18T03:19:43Z) - A Survey of Adversarial Learning on Graphs [59.21341359399431]
本稿では,グラフ逆学習タスクに関する既存の研究を考察し,要約する。
具体的には、グラフ解析タスクにおける攻撃と防御に関する既存の作業を調査し、統一する。
我々は、関連する評価指標の重要性を強調し、それらを総合的に調査し、要約する。
論文 参考訳(メタデータ) (2020-03-10T12:48:00Z)
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。