論文の概要: A Unified View on Neural Message Passing with Opinion Dynamics for Social Networks

• arxiv url: http://arxiv.org/abs/2310.01272v2
• Date: Tue, 3 Oct 2023 11:42:18 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-04 21:10:24.751150
• Title: A Unified View on Neural Message Passing with Opinion Dynamics for Social Networks
• Title（参考訳）: ソーシャルネットワークにおけるオピニオンダイナミクスを用いたニューラルメッセージパッシングの一考察
• Authors: Outongyi Lv, Bingxin Zhou, Jing Wang, Xiang Xiao, Weishu Zhao, Lirong Zheng
• Abstract要約: 本研究は、動的システムの振る舞いを分析し、推論するために、社会計測とニューラルメッセージパッシングの概念を調和させる。 本稿では,メッセージ伝達における局所ノードの影響量を改善するために,有界信頼を取り入れた新しいメッセージパッシング方式ODNetを提案する。 ODNetは,様々なグラフタイプにまたがる予測性能を高め,過度なスムース化問題を緩和することを示す。
• 参考スコア（独自算出の注目度）: 4.0201694410781235
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Social networks represent a common form of interconnected data frequently depicted as graphs within the domain of deep learning-based inference. These communities inherently form dynamic systems, achieving stability through continuous internal communications and opinion exchanges among social actors along their social ties. In contrast, neural message passing in deep learning provides a clear and intuitive mathematical framework for understanding information propagation and aggregation among connected nodes in graphs. Node representations are dynamically updated by considering both the connectivity and status of neighboring nodes. This research harmonizes concepts from sociometry and neural message passing to analyze and infer the behavior of dynamic systems. Drawing inspiration from opinion dynamics in sociology, we propose ODNet, a novel message passing scheme incorporating bounded confidence, to refine the influence weight of local nodes for message propagation. We adjust the similarity cutoffs of bounded confidence and influence weights of ODNet and define opinion exchange rules that align with the characteristics of social network graphs. We show that ODNet enhances prediction performance across various graph types and alleviates oversmoothing issues. Furthermore, our approach surpasses conventional baselines in graph representation learning and proves its practical significance in analyzing real-world co-occurrence networks of metabolic genes. Remarkably, our method simplifies complex social network graphs solely by leveraging knowledge of interaction frequencies among entities within the system. It accurately identifies internal communities and the roles of genes in different metabolic pathways, including opinion leaders, bridge communicators, and isolators.
• Abstract（参考訳）: ソーシャルネットワークは、深層学習に基づく推論の領域内でしばしばグラフとして表現される相互接続データの共通の形態を表す。 これらのコミュニティは本質的に動的システムを形成し、社会的関係に沿って社会的主体間の継続的な内的コミュニケーションと意見交換を通じて安定を達成する。 対照的に、ディープラーニングにおけるニューラルメッセージパッシングは、グラフ内の連結ノード間の情報の伝播と集約を理解するための明確で直感的な数学的枠組みを提供する。 ノード表現は、隣接ノードの接続性と状態の両方を考慮して動的に更新される。 本研究は、動的システムの振る舞いを解析・推測するために、社会計測と神経メッセージパッシングの概念を調和させる。 社会学における意見力学からインスピレーションを得たODNetは,メッセージ伝達における局所ノードの影響量を改善するために,有界信頼を取り入れた新しいメッセージパッシング方式である。 我々は、ODNetの有界信頼度と影響重みの類似性のカットオフを調整し、ソーシャルネットワークグラフの特徴に沿った意見交換ルールを定義する。 odnetは様々なグラフタイプにおける予測性能を高め,過度な問題を軽減する。 さらに,従来のグラフ表現学習のベースラインを上回っており,代謝遺伝子の実世界共起ネットワーク解析における実用的意義を実証する。 本手法は,システム内のエンティティ間の相互作用周波数の知識を活用することで,複雑なソーシャルネットワークグラフを単純化する。 それは、意見のリーダー、ブリッジコミュニケーター、アイソレータを含む、異なる代謝経路における内部のコミュニティと遺伝子の役割を正確に識別する。

関連論文リスト

• GNN-LoFI: a Novel Graph Neural Network through Localized Feature-based Histogram Intersection [51.608147732998994]
  グラフニューラルネットワークは、グラフベースの機械学習の選択フレームワークになりつつある。 本稿では,古典的メッセージパッシングに代えて,ノード特徴の局所分布を解析するグラフニューラルネットワークアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2024-01-17T13:04:23Z)
• On Discprecncies between Perturbation Evaluations of Graph Neural Network Attributions [49.8110352174327]
  我々は、グラフ領域で以前に検討されていない視点から帰属法を評価する:再学習。 中心となる考え方は、属性によって識別される重要な(あるいは重要でない)関係でネットワークを再訓練することである。 我々は4つの最先端GNN属性法と5つの合成および実世界のグラフ分類データセットについて分析を行った。
  論文  参考訳（メタデータ） (2024-01-01T02:03:35Z)
• Classification of vertices on social networks by multiple approaches [1.370151489527964]
  ソーシャルネットワークの場合、個別のコミュニティのラベルを評価することが不可欠である。 これらのインタラクションベースのエンティティそれぞれに対して、テストベンチリポジトリとして、ソーシャルグラフ、メーリングデータセット、および2つの引用セットが選択される。 本論文は,最も有用な手法だけでなく,グラフニューラルネットワークの動作方法も検討した。
  論文  参考訳（メタデータ） (2023-01-13T09:42:55Z)
• Piecewise-Velocity Model for Learning Continuous-time Dynamic Node Representations [0.0]
  連続時間動的ネットワーク表現のためのPiecewise-Veable Model (PiVeM)。 超低次元空間において、PiVeMはネットワーク構造と力学をうまく表現できることを示す。 リンク予測などの下流タスクでは、関連する最先端メソッドよりも優れています。
  論文  参考訳（メタデータ） (2022-12-23T13:57:56Z)
• Dynamic Community Detection via Adversarial Temporal Graph Representation Learning [17.487265170798974]
  本研究では,脳ネットワークデータの少数のサンプルから動的コミュニティを検出するために,対角時間グラフ表現学習フレームワークを提案する。 さらに、このフレームワークは、時間グラフ表現の学習をガイドし、測定可能なモジュラリティ損失を最適化して、コミュニティのモジュラリティを最大化するために、敵対的なトレーニングを採用している。
  論文  参考訳（メタデータ） (2022-06-29T08:44:22Z)
• BScNets: Block Simplicial Complex Neural Networks [79.81654213581977]
  グラフ学習における最新の方向性として、SNN(Simplicial Neural Network)が最近登場した。 リンク予測のためのBlock Simplicial Complex Neural Networks (BScNets) モデルを提案する。 BScNetsは、コストを抑えながら最先端のモデルよりも大きなマージンを保っている。
  論文  参考訳（メタデータ） (2021-12-13T17:35:54Z)
• Local Edge Dynamics and Opinion Polarization [17.613690272861053]
  局所的なエッジダイナミクスが意見の偏光をいかに引き起こすかを研究する。 簡単な時間進化型ネットワークモデルで拡張した古典的Friedkin-Johnsen意見力学の変種を導入する。 このモデルが理論的解析に適していることを示し、これらの局所力学が意見グループ間の接続を損なう理由を説明するのに役立ちます。
  論文  参考訳（メタデータ） (2021-11-28T01:59:57Z)
• GINA: Neural Relational Inference From Independent Snapshots [0.0]
  本稿では,遅延相互作用グラフを同時に学習するグラフニューラルネットワーク(GNN)を提案し,ノードの可観測状態の予測を行う。 GINAは、すべての潜在的なグラフの中で、基底真理相互作用グラフは、隣人の状態を考えると、最も高い精度でノードの状態を予測することができるという仮説に基づいている。
  論文  参考訳（メタデータ） (2021-05-29T15:42:33Z)
• Interpretable Signed Link Prediction with Signed Infomax Hyperbolic Graph [54.03786611989613]
  ソーシャルネットワークにおけるサイン付きリンク予測は、ユーザ(すなわちノード)間の基盤となる関係(リンク)を明らかにすることを目的としている 我々は Signed Infomax Hyperbolic Graph (textbfSIHG) と呼ばれる統一されたフレームワークを開発する。 高次ユーザ関係と複雑な階層をモデル化するために、ノードの埋め込みを投影し、より低歪みの双曲空間で測定する。
  論文  参考訳（メタデータ） (2020-11-25T05:09:03Z)
• GRADE: Graph Dynamic Embedding [76.85156209917932]
  GRADEは、軌道に先立ってランダムウォークを課すことで、進化するノードとコミュニティ表現を生成することを学ぶ確率モデルである。 我々のモデルは、遷移行列を介して時間ステップ間で更新されるノードコミュニティメンバシップも学習する。 実験では、GRADEは動的リンク予測においてベースラインを上回る性能を示し、動的コミュニティ検出において好適な性能を示し、一貫性と解釈可能な進化するコミュニティを特定する。
  論文  参考訳（メタデータ） (2020-07-16T01:17:24Z)
• Tensor Graph Convolutional Networks for Multi-relational and Robust Learning [74.05478502080658]
  本稿では,テンソルで表されるグラフの集合に関連するデータから,スケーラブルな半教師付き学習(SSL)を実現するためのテンソルグラフ畳み込みネットワーク(TGCN)を提案する。 提案アーキテクチャは、標準的なGCNと比較して大幅に性能が向上し、最先端の敵攻撃に対処し、タンパク質間相互作用ネットワーク上でのSSL性能が著しく向上する。
  論文  参考訳（メタデータ） (2020-03-15T02:33:21Z)

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。