論文の概要: SANGEA: Scalable and Attributed Network Generation
- arxiv url: http://arxiv.org/abs/2309.15648v1
- Date: Wed, 27 Sep 2023 13:35:45 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-28 13:33:37.508833
- Title: SANGEA: Scalable and Attributed Network Generation
- Title(参考訳): SANGEA: スケーラブルで分散したネットワーク生成
- Authors: Valentin Lemaire, Youssef Achenchabe, Lucas Ody, Houssem Eddine Souid,
Gianmarco Aversano, Nicolas Posocco, Sabri Skhiri
- Abstract要約: SANGEAは,任意のSGGを大規模グラフに適用可能なサイズ可能な合成グラフ生成フレームワークである。
まず大きなグラフをコミュニティに分割することで、SANGEAはコミュニティ毎に1つのSGGをトレーニングし、その後、コミュニティグラフをまとめて合成された大きなグラフを作成する。
実験の結果, SANGEA が生成したグラフは, トポロジとノードの特徴分布の両面において, 元のグラフとよく似ていることがわかった。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The topic of synthetic graph generators (SGGs) has recently received much
attention due to the wave of the latest breakthroughs in generative modelling.
However, many state-of-the-art SGGs do not scale well with the graph size.
Indeed, in the generation process, all the possible edges for a fixed number of
nodes must often be considered, which scales in $\mathcal{O}(N^2)$, with $N$
being the number of nodes in the graph. For this reason, many state-of-the-art
SGGs are not applicable to large graphs. In this paper, we present SANGEA, a
sizeable synthetic graph generation framework which extends the applicability
of any SGG to large graphs. By first splitting the large graph into
communities, SANGEA trains one SGG per community, then links the community
graphs back together to create a synthetic large graph. Our experiments show
that the graphs generated by SANGEA have high similarity to the original graph,
in terms of both topology and node feature distribution. Additionally, these
generated graphs achieve high utility on downstream tasks such as link
prediction. Finally, we provide a privacy assessment of the generated graphs to
show that, even though they have excellent utility, they also achieve
reasonable privacy scores.
- Abstract(参考訳): 合成グラフ生成器(sggs)の話題は最近、生成モデルにおける最新のブレークスルーの波によって、多くの注目を集めている。
しかし、多くの最先端のSGGはグラフサイズに匹敵しない。
実際、生成プロセスでは、固定された数のノードのすべてのエッジを考慮しなければならず、$\mathcal{o}(n^2)$ でスケールし、$n$ はグラフ内のノードの数である。
このため、最先端のSGGの多くは大きなグラフには適用できない。
本稿では,任意のSGGを大規模グラフに適用可能なサイズ可能な合成グラフ生成フレームワークであるSANGEAを提案する。
まず大きなグラフをコミュニティに分割することで、SANGEAはコミュニティ毎に1つのSGGをトレーニングし、その後、コミュニティグラフをまとめて合成された大きなグラフを作成する。
実験により,sangeaが生成するグラフは,トポロジーとノード特徴分布の両方の観点から,元のグラフと高い類似性を示す。
さらに、生成されたグラフは、リンク予測のような下流タスクで高い実用性を達成している。
最後に、生成されたグラフのプライバシアセスメントを提供して、優れたユーティリティを持つにも関わらず、合理的なプライバシスコアも達成できることを示します。
関連論文リスト
- Learning on Large Graphs using Intersecting Communities [13.053266613831447]
MPNNは、各ノードの隣人からのメッセージを集約することで、入力グラフ内の各ノードの表現を反復的に更新する。
MPNNは、あまりスパースではないため、すぐに大きなグラフの禁止になるかもしれない。
本稿では,入力グラフを交差するコミュニティグラフ (ICG) として近似することを提案する。
論文 参考訳(メタデータ) (2024-05-31T09:26:26Z) - Size Matters: Large Graph Generation with HiGGs [0.0]
HIGGS (Hierarchical Generation of Graphs) を現実的な局所構造を持つ大規模グラフを生成するためのモデルに依存しないフレームワークとして提案する。
実演として、我々は、新しいエッジ予測拡散変種エッジ-DiGressを含む最近のグラフ拡散モデルであるDiGressを使用してHIGGSを実装した。
このスケールの飛躍にもかかわらず、HIGGSが生成するグラフは、局所的なスケールで、ルールベースのモデルであるBTERのグラフよりも現実的であることを示す。
論文 参考訳(メタデータ) (2023-06-20T09:40:32Z) - Semi-Supervised Hierarchical Graph Classification [54.25165160435073]
ノードがグラフのインスタンスである階層グラフにおけるノード分類問題について検討する。
本稿では階層グラフ相互情報(HGMI)を提案し,理論的保証をもってHGMIを計算する方法を提案する。
本稿では,この階層グラフモデリングとSEAL-CI法がテキストおよびソーシャルネットワークデータに与える影響を実証する。
論文 参考訳(メタデータ) (2022-06-11T04:05:29Z) - G-Mixup: Graph Data Augmentation for Graph Classification [55.63157775049443]
Mixupは、2つのランダムサンプル間の特徴とラベルを補間することにより、ニューラルネットワークの一般化とロバスト性を改善する上で優位性を示している。
グラフ分類のためのグラフを増補するために$mathcalG$-Mixupを提案し、グラフの異なるクラスのジェネレータ(すなわちグラフ)を補間する。
実験により、$mathcalG$-MixupはGNNの一般化とロバスト性を大幅に改善することが示された。
論文 参考訳(メタデータ) (2022-02-15T04:09:44Z) - AnchorGAE: General Data Clustering via $O(n)$ Bipartite Graph
Convolution [79.44066256794187]
我々は、グラフ畳み込みネットワーク(GCN)を構築するために使用される生成グラフモデルを導入することにより、グラフに非グラフデータセットを変換する方法を示す。
アンカーによって構築された二部グラフは、データの背後にある高レベル情報を利用するために動的に更新される。
理論的には、単純な更新が退化につながることを証明し、それに従って特定の戦略が設計される。
論文 参考訳(メタデータ) (2021-11-12T07:08:13Z) - GraphGen-Redux: a Fast and Lightweight Recurrent Model for labeled Graph
Generation [13.956691231452336]
ラベル付きグラフ生成のための新しいグラフ前処理手法を提案する。
新たなグラフ前処理手法を導入することで,ノードとエッジのラベル付け情報を共同で処理することができる。
GraphGen-Reduxと呼ばれる対応するモデルは、幅広いデータセットにおけるGraphGenの生成パフォーマンスを改善します。
論文 参考訳(メタデータ) (2021-07-18T09:26:10Z) - Generating a Doppelganger Graph: Resembling but Distinct [5.618335078130568]
本論文では,与えられたグラフ特性に類似したドッペルガンガーグラフを生成する手法を提案する。
このアプローチは、グラフ表現学習、生成的敵ネットワーク、およびグラフ実現アルゴリズムのオーケストレーションである。
論文 参考訳(メタデータ) (2021-01-23T22:08:27Z) - Dirichlet Graph Variational Autoencoder [65.94744123832338]
本稿では,グラフクラスタメンバシップを潜在因子とするDGVAE(Dirichlet Graph Variational Autoencoder)を提案する。
バランスグラフカットにおける低パス特性により、入力グラフをクラスタメンバシップにエンコードする、Heattsと呼ばれるGNNの新しい変種を提案する。
論文 参考訳(メタデータ) (2020-10-09T07:35:26Z) - Inverse Graph Identification: Can We Identify Node Labels Given Graph
Labels? [89.13567439679709]
グラフ識別(GI)は、グラフ学習において長い間研究されており、特定の応用において不可欠である。
本稿では,逆グラフ識別(Inverse Graph Identification, IGI)と呼ばれる新しい問題を定義する。
本稿では,グラフアテンションネットワーク(GAT)を用いたノードレベルのメッセージパッシング処理を,GIのプロトコルの下でシンプルかつ効果的に行う方法を提案する。
論文 参考訳(メタデータ) (2020-07-12T12:06:17Z) - Multilevel Graph Matching Networks for Deep Graph Similarity Learning [79.3213351477689]
グラフ構造オブジェクト間のグラフ類似性を計算するためのマルチレベルグラフマッチングネットワーク(MGMN)フレームワークを提案する。
標準ベンチマークデータセットの欠如を補うため、グラフグラフ分類とグラフグラフ回帰タスクの両方のためのデータセットセットを作成し、収集した。
総合的な実験により、MGMNはグラフグラフ分類とグラフグラフ回帰タスクの両方において、最先端のベースラインモデルより一貫して優れていることが示された。
論文 参考訳(メタデータ) (2020-07-08T19:48:19Z)
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。