Fugu-MT 論文翻訳(概要): Predicting Properties of Nodes via Community-Aware Features

論文の概要: Predicting Properties of Nodes via Community-Aware Features

arxiv url: http://arxiv.org/abs/2311.04730v1
Date: Wed, 8 Nov 2023 14:57:35 GMT
ステータス: 処理完了
システム内更新日: 2023-11-09 15:35:31.365454
Title: Predicting Properties of Nodes via Community-Aware Features
Title（参考訳）: コミュニティ対応機能によるノードの特性予測
Authors: Bogumi{\l} Kami\'nski, Pawe{\l} Pra{\l}at, Fran\c{c}ois Th\'eberge, Sebastian Zaj\k{a}c
Abstract要約: コミュニティ対応ノードの特徴は,分類作業において高い予測能力を有することを示す。また,従来のノード機能やノード埋め込みでは検索できない情報を含むことも確認した。
参考スコア（独自算出の注目度）: 1.0923877073891446
License: http://creativecommons.org/licenses/by/4.0/
Abstract: A community structure that is often present in complex networks plays an important role not only in their formation but also shapes dynamics of these networks, affecting properties of their nodes. In this paper, we propose a family of community-aware node features and then investigate their properties. We show that they have high predictive power for classification tasks. We also verify that they contain information that cannot be recovered neither by classical node features nor by node embeddings (both classical as well as structural).
Abstract（参考訳）: 複雑なネットワークにしばしば存在するコミュニティ構造は、ネットワークの形成だけでなく、これらのネットワークのダイナミクスを形作り、ノードの性質に影響を及ぼす重要な役割を担っている。本稿では,コミュニティ対応ノードの特徴のファミリーを提案し,その特性について検討する。分類タスクには高い予測力があることが示される。また,古典的ノードの特徴やノード埋め込み(古典的かつ構造的)によっても復元できない情報が含まれていることも確認した。

関連論文リスト

Exact Recovery and Bregman Hard Clustering of Node-Attributed Stochastic Block Model [0.16385815610837165]
本稿では,コミュニティラベルの正確な回復のための情報理論的基準を提案する。ネットワークと属性情報をどのように交換して正確なリカバリを行うかを示す。また、共同確率を最大化する反復的クラスタリングアルゴリズムも提示する。
論文参考訳（メタデータ） (2023-10-30T16:46:05Z)
Enhanced Graph Neural Networks with Ego-Centric Spectral Subgraph Embeddings Augmentation [11.841882902141696]
Ego-centric Spectral subGraph Embedding Augmentation (ESGEA) と呼ばれる新しいアプローチを提案する。 ESGEAは、特に情報が不足しているシナリオにおいて、ノード機能の強化と設計を目的としている。ノード属性が利用できないソーシャルネットワークグラフ分類タスクにおいて,提案手法の評価を行った。
論文参考訳（メタデータ） (2023-10-10T14:57:29Z)
Collaborative Graph Neural Networks for Attributed Network Embedding [63.39495932900291]
グラフニューラルネットワーク(GNN)は、属性付きネットワーク埋め込みにおいて顕著な性能を示している。本稿では,ネットワーク埋め込みに適したGNNアーキテクチャであるCulaborative graph Neural Networks-CONNを提案する。
論文参考訳（メタデータ） (2023-07-22T04:52:27Z)
The Influence of Network Structural Preference on Node Classification and Link Prediction [0.0]
本研究は,新しい機能抽象化手法,すなわちTransition Probabilities Matrix (TPM)を導入する。提案手法は,3つの実世界のネットワーク上でノード識別・分類・リンク予測を行った。
論文参考訳（メタデータ） (2022-08-07T12:56:28Z)
CoANE: Modeling Context Co-occurrence for Attributed Network Embedding [10.609715843964263]
分散ネットワーク埋め込み(ANE)とは、ネットワーク構造だけでなく、ノード属性も保存できるように、低次元ベクトルを学習することである。我々は新しいANEモデルであるContext Co-occurrence-aware Attributed Network Embedding (CoANE)を提案する。コンテキスト共起の学習は、各ノードの潜伏する社会円を捉えることができる。
論文参考訳（メタデータ） (2021-06-17T04:31:02Z)
Hierarchical Graph Capsule Network [78.4325268572233]
ノード埋め込みを共同で学習し,グラフ階層を抽出できる階層型グラフカプセルネットワーク(HGCN)を提案する。階層的表現を学ぶために、HGCNは下層カプセル(部分)と高層カプセル(全体)の間の部分的関係を特徴付ける。
論文参考訳（メタデータ） (2020-12-16T04:13:26Z)
Node Similarity Preserving Graph Convolutional Networks [51.520749924844054]
グラフニューラルネットワーク(GNN)は、ノード近傍の情報を集約し変換することで、グラフ構造とノードの特徴を探索する。グラフ構造を利用してノード類似性を効果的かつ効率的に保存できるSimP-GCNを提案する。本研究は,SimP-GCNが3つの分類グラフと4つの非補助グラフを含む7つのベンチマークデータセットに対して有効であることを示す。
論文参考訳（メタデータ） (2020-11-19T04:18:01Z)
GAGE: Geometry Preserving Attributed Graph Embeddings [34.25102483600248]
本稿では,属性ネットワークにノードを埋め込む手法を提案する。接続と属性の両方の距離を保存する。学習課題に取り組むために,効率的かつ軽量なアルゴリズムを開発した。
論文参考訳（メタデータ） (2020-11-03T02:07:02Z)
On the use of local structural properties for improving the efficiency of hierarchical community detection methods [77.34726150561087]
本研究では,階層型コミュニティ検出の効率向上のために,局所構造ネットワーク特性をプロキシとして利用する方法について検討する。また,ネットワークプルーニングの性能への影響を,階層的コミュニティ検出をより効率的にするための補助的手法として検証する。
論文参考訳（メタデータ） (2020-09-15T00:16:12Z)
Graph Prototypical Networks for Few-shot Learning on Attributed Networks [72.31180045017835]
グラフメタ学習フレームワーク - Graph Prototypeal Networks (GPN) を提案する。 GPNは、属性付きネットワーク上でテキストミータ学習を行い、ターゲット分類タスクを扱うための高度に一般化可能なモデルを導出する。
論文参考訳（メタデータ） (2020-06-23T04:13:23Z)
Graph Neural Networks with Composite Kernels [60.81504431653264]
カーネル重み付けの観点からノード集約を再解釈する。本稿では,アグリゲーション方式における特徴類似性を考慮したフレームワークを提案する。特徴空間における特徴類似性をエンコードするために,元の隣り合うカーネルと学習可能なカーネルの合成として特徴集約を提案する。
論文参考訳（メタデータ） (2020-05-16T04:44:29Z)

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。