論文の概要: HyperS2V: A Framework for Structural Representation of Nodes in Hyper Networks

• arxiv url: http://arxiv.org/abs/2311.04149v1
• Date: Tue, 7 Nov 2023 17:26:31 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-08 14:32:27.647366
• Title: HyperS2V: A Framework for Structural Representation of Nodes in Hyper Networks
• Title（参考訳）: HyperS2V:ハイパーネットワークにおけるノードの構造表現フレームワーク
• Authors: Shu Liu, Cameron Lai, Fujio Toriumi
• Abstract要約: ハイパーネットワークは、ノード間のより複雑な関係を描写し、広範な情報を格納する能力を持っている。 本研究では,ハイパーネットワークの構造的類似性に着目したノード埋め込み手法であるHyperS2Vを紹介する。
• 参考スコア（独自算出の注目度）: 8.391883728680439
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In contrast to regular (simple) networks, hyper networks possess the ability to depict more complex relationships among nodes and store extensive information. Such networks are commonly found in real-world applications, such as in social interactions. Learning embedded representations for nodes involves a process that translates network structures into more simplified spaces, thereby enabling the application of machine learning approaches designed for vector data to be extended to network data. Nevertheless, there remains a need to delve into methods for learning embedded representations that prioritize structural aspects. This research introduces HyperS2V, a node embedding approach that centers on the structural similarity within hyper networks. Initially, we establish the concept of hyper-degrees to capture the structural properties of nodes within hyper networks. Subsequently, a novel function is formulated to measure the structural similarity between different hyper-degree values. Lastly, we generate structural embeddings utilizing a multi-scale random walk framework. Moreover, a series of experiments, both intrinsic and extrinsic, are performed on both toy and real networks. The results underscore the superior performance of HyperS2V in terms of both interpretability and applicability to downstream tasks.
• Abstract（参考訳）: 通常の(単純な)ネットワークとは対照的に、ハイパーネットワークはノード間のより複雑な関係を描写し、広範な情報を格納する能力を持っている。 このようなネットワークは、社会的相互作用のような現実世界のアプリケーションでよく見られる。 ノードの組込み表現を学習するには、ネットワーク構造をより単純化された空間に変換するプロセスが伴うため、ベクトルデータをネットワークデータに拡張するために設計された機械学習アプローチの適用が可能になる。 それでも、構造的側面を優先する組込み表現の学習方法を検討する必要がある。 本研究では,ハイパーネットワークの構造的類似性に着目したノード埋め込み手法であるHyperS2Vを紹介する。 まず,ハイパーネットワーク内のノードの構造特性を捉えるために,ハイパー学位の概念を確立する。 その後、異なる超次値間の構造的類似性を測定するために、新しい関数が定式化される。 最後に,マルチスケールランダムウォークフレームワークを用いた構造埋め込みを生成する。 さらに,玩具ネットワークと実ネットワークの両方で,本質的および外生的両方の実験が実施されている。 この結果は、ダウンストリームタスクの解釈可能性と適用可能性の両方の観点から、hypers2vの優れた性能を強調する。

関連論文リスト

• (PASS) Visual Prompt Locates Good Structure Sparsity through a Recurrent HyperNetwork [60.889175951038496]
  大規模ニューラルネットワークは、視覚や言語処理など、さまざまな領域で顕著なパフォーマンスを示している。 構造的刈り込みの鍵となる問題のひとつは、チャネルの意義を見積もる方法である。 我々は,新しいアルゴリズムフレームワーク,すなわち textttPASS を提案する。 視覚的プロンプトとネットワーク重み統計の両方を入力とし、繰り返し的に層ワイドチャネル間隔を出力するように調整されたハイパーネットワークである。
  論文  参考訳（メタデータ） (2024-07-24T16:47:45Z)
• Bayesian Detection of Mesoscale Structures in Pathway Data on Graphs [0.0]
  メソスケール構造は 複雑なシステムの抽象化と解析の 不可欠な部分です それらは、社会的または引用ネットワークにおけるコミュニティ、企業間相互作用における役割、または輸送ネットワークにおける中核周辺構造におけるコミュニティを表現することができる。 我々は,グループ内のノードの最適分割と高次ネットワークの最適ダイナミクスを同時にモデル化するベイズ的アプローチを導出する。
  論文  参考訳（メタデータ） (2023-01-16T12:45:33Z)
• Parallel Machine Learning for Forecasting the Dynamics of Complex Networks [0.0]
  本稿では,大規模複雑ネットワークの力学を予測するための機械学習手法を提案する。 私たちは、関心のネットワークのトポロジを模倣する並列アーキテクチャを使用します。
  論文  参考訳（メタデータ） (2021-08-27T06:06:41Z)
• Network Embedding via Deep Prediction Model [25.727377978617465]
  本稿では,深層予測モデルを用いて構造化ネットワーク上での転送挙動を捕捉するネットワーク埋め込みフレームワークを提案する。 ネットワーク構造埋め込み層は、Long Short-Term Memory NetworkやRecurrent Neural Networkなど、従来の深部予測モデルに付加される。 ソーシャルネットワーク, 引用ネットワーク, バイオメディカルネットワーク, 協調ネットワーク, 言語ネットワークなど, さまざまなデータセットについて実験を行った。
  論文  参考訳（メタデータ） (2021-04-27T16:56:00Z)
• Dynamic Graph: Learning Instance-aware Connectivity for Neural Networks [78.65792427542672]
  動的グラフネットワーク(DG-Net)は完全な有向非巡回グラフであり、ノードは畳み込みブロックを表し、エッジは接続経路を表す。 ネットワークの同じパスを使用する代わりに、DG-Netは各ノードの機能を動的に集約する。
  論文  参考訳（メタデータ） (2020-10-02T16:50:26Z)
• Dual-constrained Deep Semi-Supervised Coupled Factorization Network with Enriched Prior [80.5637175255349]
  本稿では、DS2CF-Netと呼ばれる、拡張された事前制約付きDual-Constrained Deep Semi-Supervised Coupled Factorization Networkを提案する。 隠れた深い特徴を抽出するために、DS2CF-Netは、深い構造と幾何学的な構造に制約のあるニューラルネットワークとしてモデル化される。 我々のネットワークは、表現学習とクラスタリングのための最先端の性能を得ることができる。
  論文  参考訳（メタデータ） (2020-09-08T13:10:21Z)
• Learning Connectivity of Neural Networks from a Topological Perspective [80.35103711638548]
  本稿では,ネットワークを解析のための完全なグラフに表現するためのトポロジ的視点を提案する。 接続の規模を反映したエッジに学習可能なパラメータを割り当てることにより、学習プロセスを異なる方法で行うことができる。 この学習プロセスは既存のネットワークと互換性があり、より大きな検索空間と異なるタスクへの適応性を持っている。
  論文  参考訳（メタデータ） (2020-08-19T04:53:31Z)
• DINE: A Framework for Deep Incomplete Network Embedding [33.97952453310253]
  本稿では,ディープ不完全ネットワーク埋め込み,すなわちDINEを提案する。 まず、期待最大化フレームワークを用いて、部分的に観測可能なネットワーク内のノードとエッジの両方を含む欠落部分を完成させる。 マルチラベル分類およびリンク予測タスクにおいて,DINEを3つのネットワーク上で評価する。
  論文  参考訳（メタデータ） (2020-08-09T04:59:35Z)
• Recursive Multi-model Complementary Deep Fusion forRobust Salient Object Detection via Parallel Sub Networks [62.26677215668959]
  完全畳み込みネットワークは、正体検出(SOD)分野において優れた性能を示している。 本稿では,全く異なるネットワークアーキテクチャを持つ並列サブネットワークからなる,より広いネットワークアーキテクチャを提案する。 いくつかの有名なベンチマークの実験では、提案されたより広範なフレームワークの優れた性能、優れた一般化、強力な学習能力が明らかに示されている。
  論文  参考訳（メタデータ） (2020-08-07T10:39:11Z)
• The impossibility of low rank representations for triangle-rich complex networks [9.550745725703292]
  このようなグラフ埋め込みは複素ネットワークの健全な性質を捉えないと主張する。 数学的には、これらの2つの性質をうまく生成できる埋め込みは、頂点数においてほぼ線型でなければならない。 このことは、Singular Value Decompositionやnode2vecのような一般的な埋め込み技術が現実世界の複雑なネットワークの構造的側面を捉えていないことを証明している。
  論文  参考訳（メタデータ） (2020-03-27T20:57:56Z)
• On Infinite-Width Hypernetworks [101.03630454105621]
  我々は、ハイパーネットワークが、下降中のグローバルなミニマを保証していないことを示す。 我々は,これらのアーキテクチャの機能的先行を,対応するGPカーネルとNTKカーネルを導出することによって同定する。 この研究の一環として、標準完全連結ReLUネットワークの高次テイラー項の厳密な境界を導出した数学的貢献を行う。
  論文  参考訳（メタデータ） (2020-03-27T00:50:29Z)

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。