論文の概要: Predicting Properties of Nodes via Community-Aware Features
- arxiv url: http://arxiv.org/abs/2311.04730v2
- Date: Fri, 26 Apr 2024 17:05:13 GMT
- ステータス: 処理完了
- システム内更新日: 2024-04-29 17:58:08.532528
- 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: Bogumił Kamiński, Paweł Prałat, François Théberge, Sebastian Zając,
- Abstract要約: 本稿では,ネットワークのコミュニティ構造に関する情報を用いて,分類タスクの予測能力の高いノード特徴を定義する方法について述べる。
コミュニティ対応ノード機能には,古典的なノード機能やノードの埋め込みによって完全に復元できない情報が含まれていることを示す。
合成および実生活ネットワークにおける様々な分類タスクについて検証する。
- 参考スコア（独自算出の注目度）: 1.4999444543328293
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This paper shows how information about the network's community structure can be used to define node features with high predictive power for classification tasks. To do so, we define a family of community-aware node features and investigate their properties. Those features are designed to ensure that they can be efficiently computed even for large graphs. We show that community-aware node features contain information that cannot be completely recovered by classical node features or node embeddings (both classical and structural) and bring value in node classification tasks. This is verified for various classification tasks on synthetic and real-life networks.
- Abstract（参考訳）: 本稿では、ネットワークのコミュニティ構造に関する情報を用いて、分類タスクの予測能力が高いノードの特徴を定義する方法について述べる。
そのため,コミュニティ対応ノードの機能群を定義し,その特性について検討する。
これらの機能は、大きなグラフであっても効率的に計算できるように設計されている。
コミュニティ対応ノード機能には,古典的ノード機能やノード埋め込み(古典的および構造的)によって完全に復元できない情報が含まれており,ノード分類タスクに価値をもたらすことを示す。
合成および実生活ネットワークにおける様々な分類タスクについて検証する。
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。
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。