論文の概要: Structure and inference in hypergraphs with node attributes

• arxiv url: http://arxiv.org/abs/2311.03857v2
• Date: Wed, 30 Oct 2024 08:49:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-31 14:22:29.054472
• Title: Structure and inference in hypergraphs with node attributes
• Title（参考訳）: ノード属性を持つハイパーグラフの構造と推論
• Authors: Anna Badalyan, Nicolò Ruggeri, Caterina De Bacco,
• Abstract要約: 我々は,高次相互作用による構造理解を改善するために,ノード属性をどのように利用できるかを示す。 我々は,高次相互作用とノード属性を組み合わせて,観測された相互作用をよりよく表現する原理モデルを開発した。
• 参考スコア（独自算出の注目度）: 1.024113475677323
• License:
• Abstract: Many networked datasets with units interacting in groups of two or more, encoded with hypergraphs, are accompanied by extra information about nodes, such as the role of an individual in a workplace. Here we show how these node attributes can be used to improve our understanding of the structure resulting from higher-order interactions. We consider the problem of community detection in hypergraphs and develop a principled model that combines higher-order interactions and node attributes to better represent the observed interactions and to detect communities more accurately than using either of these types of information alone. The method learns automatically from the input data the extent to which structure and attributes contribute to explain the data, down weighing or discarding attributes if not informative. Our algorithmic implementation is efficient and scales to large hypergraphs and interactions of large numbers of units. We apply our method to a variety of systems, showing strong performance in hyperedge prediction tasks and in selecting community divisions that correlate with attributes when these are informative, but discarding them otherwise. Our approach illustrates the advantage of using informative node attributes when available with higher-order data.
• Abstract（参考訳）: ハイパーグラフでエンコードされた2つ以上のグループで相互作用するユニットを持つ多くのネットワークデータセットには、職場での個人の役割など、ノードに関する追加情報が含まれている。 ここでは,これらのノード属性を用いて,高次相互作用による構造理解を改善する方法について述べる。 我々は,ハイパーグラフにおけるコミュニティ検出の問題点を考察し,高次相互作用とノード属性を組み合わせ,観察された相互作用をよりよく表現し,これらの情報のみを用いることよりもコミュニティを正確に検出する原理モデルを開発した。 この方法は、入力データから、構造や属性がどの程度データの説明に寄与するかを自動的に学習し、情報が得られない場合、属性の重み付けや破棄を行う。 我々のアルゴリズムの実装は効率的で、大量のハイパーグラフや多数のユニットの相互作用にスケールする。 提案手法を多種多様なシステムに適用し,ハイパーエッジ予測タスクにおいて高い性能を示すとともに,属性と相関するコミュニティ分割を選択する際にも有効であることを示す。 提案手法は,高次データで利用可能な情報ノード属性の利点を示す。

関連論文リスト

• DGNN: Decoupled Graph Neural Networks with Structural Consistency between Attribute and Graph Embedding Representations [62.04558318166396]
  グラフニューラルネットワーク(GNN)は、複雑な構造を持つグラフ上での表現学習の堅牢性を示す。 ノードのより包括的な埋め込み表現を得るために、Decoupled Graph Neural Networks (DGNN)と呼ばれる新しいGNNフレームワークが導入された。 複数のグラフベンチマークデータセットを用いて、ノード分類タスクにおけるDGNNの優位性を検証した。
  論文  参考訳（メタデータ） (2024-01-28T06:43:13Z)
• Hypergraph Transformer for Semi-Supervised Classification [50.92027313775934]
  我々は新しいハイパーグラフ学習フレームワークHyperGraph Transformer(HyperGT)を提案する。 HyperGTはTransformerベースのニューラルネットワークアーキテクチャを使用して、すべてのノードとハイパーエッジのグローバル相関を効果的に検討する。 局所接続パターンを保ちながら、グローバルな相互作用を効果的に組み込むことで、包括的なハイパーグラフ表現学習を実現する。
  論文  参考訳（メタデータ） (2023-12-18T17:50:52Z)
• Distributed Learning over Networks with Graph-Attention-Based Personalization [49.90052709285814]
  分散ディープラーニングのためのグラフベースパーソナライズアルゴリズム(GATTA)を提案する。 特に、各エージェントのパーソナライズされたモデルは、グローバルな部分とノード固有の部分で構成される。 グラフ内の各エージェントを1つのノードとして扱うことにより、ノード固有のパラメータを特徴として扱うことにより、グラフアテンション機構の利点を継承することができる。
  論文  参考訳（メタデータ） (2023-05-22T13:48:30Z)
• GrannGAN: Graph annotation generative adversarial networks [72.66289932625742]
  本稿では,高次元分布をモデル化し,グラフスケルトンと整合した複雑な関係特徴構造を持つデータの新しい例を生成することの問題点を考察する。 提案するモデルは,タスクを2つのフェーズに分割することで,各データポイントのグラフ構造に制約されたデータ特徴を生成する問題に対処する。 第一に、与えられたグラフのノードに関連する機能の分布をモデル化し、第二に、ノードのフィーチャに条件付きでエッジ機能を補完する。
  論文  参考訳（メタデータ） (2022-12-01T11:49:07Z)
• Dynamic Graph Message Passing Networks for Visual Recognition [112.49513303433606]
  長距離依存のモデリングは、コンピュータビジョンにおけるシーン理解タスクに不可欠である。 完全連結グラフはそのようなモデリングには有益であるが、計算オーバーヘッドは禁じられている。 本稿では,計算複雑性を大幅に低減する動的グラフメッセージパッシングネットワークを提案する。
  論文  参考訳（メタデータ） (2022-09-20T14:41:37Z)
• Adaptive Neural Message Passing for Inductive Learning on Hypergraphs [21.606287447052757]
  本稿では,新しいハイパーグラフ学習フレームワークHyperMSGを紹介する。 各ノードの次数集中度に関連する注意重みを学習することで、データとタスクに適応する。 堅牢で、幅広いタスクやデータセットで最先端のハイパーグラフ学習手法より優れています。
  論文  参考訳（メタデータ） (2021-09-22T12:24:02Z)
• Pair-view Unsupervised Graph Representation Learning [2.8650714782703366]
  低次元グラフ埋め込みは、大きなグラフのさまざまな下流タスクで非常に有用であることが証明されています。 本稿では,グラフ埋め込みのコアとして "ノード" よりも高いレベルの単位である "ペア" を使用するソリューションである PairE を提案する。 実験の結果、PairEは4つの下流タスクのベースラインの状態を一貫して上回っていることがわかった。
  論文  参考訳（メタデータ） (2020-12-11T04:09:47Z)
• Node Attribute Completion in Knowledge Graphs with Multi-Relational Propagation [14.58440933068]
  我々のアプローチは、知識グラフを横断して情報を伝達することで、欠落した属性の値を暗示する。 これは、ノードと属性のタイプとの関係に応じて、あるノード属性を別のノード属性から予測するために回帰関数を使用する。
  論文  参考訳（メタデータ） (2020-11-10T18:36:33Z)
• Graph InfoClust: Leveraging cluster-level node information for unsupervised graph representation learning [12.592903558338444]
  本稿では,グラフ InfoClust というグラフ表現学習手法を提案する。 同社はさらに、クラスタレベルの情報コンテンツをキャプチャしようとしている。 この最適化により、ノード表現はよりリッチな情報とノイズ相互作用をキャプチャし、それによって品質が向上する。
  論文  参考訳（メタデータ） (2020-09-15T09:33:20Z)
• Joint Item Recommendation and Attribute Inference: An Adaptive Graph Convolutional Network Approach [61.2786065744784]
  レコメンデーションシステムでは、ユーザとアイテムは属性に関連付けられ、ユーザはアイテムの好みを表示する。 ユーザ(item)属性をアノテートすることは労働集約的なタスクであるため、属性値が欠落している多くの属性値と不完全であることが多い。 本稿では,共同項目推薦と属性推論のための適応グラフ畳み込みネットワーク(AGCN)アプローチを提案する。
  論文  参考訳（メタデータ） (2020-05-25T10:50:01Z)
• Predicting Attributes of Nodes Using Network Structure [0.34998703934432673]
  a_i$ の属性値を予測するために,属性 $a_i$ に関する特徴写像でノードを表現するアプローチを提案する。 10個の実世界のデータセットに対して広範な実験を行い、提案した特徴マップがこれらのデータセットのベースラインアプローチと比較して予測精度を大幅に向上することを示す。
  論文  参考訳（メタデータ） (2019-12-27T17:59:33Z)

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。