論文の概要: Disentangling the Potential Impacts of Papers into Diffusion,
Conformity, and Contribution Values
- arxiv url: http://arxiv.org/abs/2311.09262v2
- Date: Thu, 18 Jan 2024 17:38:59 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-19 19:47:30.661158
- Title: Disentangling the Potential Impacts of Papers into Diffusion,
Conformity, and Contribution Values
- Title(参考訳): 論文の拡散, 適合性, 貢献価値への潜在的影響の解消
- Authors: Zhikai Xue, Guoxiu He, Zhuoren Jiang, Sichen Gu, Yangyang Kang, Star
Zhao, Wei Lu
- Abstract要約: 本稿では,紙の潜在的な影響を拡散,変形,寄与の値に分散させる新しいグラフニューラルネットワークを提案する。
DPPDCCは、構築された動的不均一グラフ内の時間的特徴と構造的特徴を符号化する。
人気を得るために、拡散の本質を抽出するために拡張グラフを対比し、蓄積された引用結合をモデル整合性に予測する。
- 参考スコア(独自算出の注目度): 12.27071787994461
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The potential impact of an academic paper is determined by various factors,
including its popularity and contribution. Existing models usually estimate
original citation counts based on static graphs and fail to differentiate
values from nuanced perspectives. In this study, we propose a novel graph
neural network to Disentangle the Potential impacts of Papers into Diffusion,
Conformity, and Contribution values (called DPPDCC). Given a target paper,
DPPDCC encodes temporal and structural features within the constructed dynamic
heterogeneous graph. Particularly, to capture the knowledge flow, we emphasize
the importance of comparative and co-cited/citing information between papers
and aggregate snapshots evolutionarily. To unravel popularity, we contrast
augmented graphs to extract the essence of diffusion and predict the
accumulated citation binning to model conformity. We further apply orthogonal
constraints to encourage distinct modeling of each perspective and preserve the
inherent value of contribution. To evaluate models' generalization for papers
published at various times, we reformulate the problem by partitioning data
based on specific time points to mirror real-world conditions. Extensive
experimental results on three datasets demonstrate that DPPDCC significantly
outperforms baselines for previously, freshly, and immediately published
papers. Further analyses confirm its robust capabilities. We will make our
datasets and codes publicly available.
- Abstract(参考訳): 学術論文の潜在的影響は、その人気や貢献など様々な要因によって決定される。
既存のモデルは、通常、静的グラフに基づいて元の引用数を推定し、微妙な視点から値の区別に失敗する。
本研究では,論文の拡散,コンフォーマル性,寄与価値(DPPDCC)への潜在的影響を識別する新しいグラフニューラルネットワークを提案する。
DPPDCCは,構築した動的不均一グラフ内の時間的特徴と構造的特徴を符号化する。
特に,知識の流れを捉えるために,論文と要約の進化的比較・共催・引用の重要性を強調した。
人気を解き明かすために,拡張グラフを対比して拡散の本質を抽出し,モデル適合性に蓄積された引用バイナリ化を予測する。
さらに,各視点を個別にモデル化し,貢献の固有価値を保つために直交制約を適用する。
論文の汎用性を評価するために,特定の時点に基づいてデータを分割し,実世界の条件を反映することで問題を再検討する。
3つのデータセットの大規模な実験結果から、DPPDCCは前、新、即時発行された論文のベースラインを著しく上回っていることが示された。
さらなる分析により、その堅牢性が確認された。
私たちはデータセットとコードを一般公開します。
関連論文リスト
- Independent Distribution Regularization for Private Graph Embedding [55.24441467292359]
グラフ埋め込みは属性推論攻撃の影響を受けやすいため、攻撃者は学習したグラフ埋め込みからプライベートノード属性を推測することができる。
これらの懸念に対処するため、プライバシ保護グラフ埋め込み手法が登場した。
独立分散ペナルティを正規化項として支援し, PVGAE(Private Variational Graph AutoEncoders)と呼ばれる新しい手法を提案する。
論文 参考訳(メタデータ) (2023-08-16T13:32:43Z) - Challenging the Myth of Graph Collaborative Filtering: a Reasoned and
Reproducibility-driven Analysis [69.46993865095247]
本稿では,6つの人気グラフと最近のグラフ推薦モデルの結果を再現するコードを提案する。
これらのグラフモデルと従来の協調フィルタリングモデルを比較する。
ユーザの近所からの情報フローを調べることにより,データセット構造における内在的特徴にどのようなモデルが影響するかを同定することを目的とする。
論文 参考訳(メタデータ) (2023-08-01T09:31:44Z) - Variational Disentangled Graph Auto-Encoders for Link Prediction [10.390861526194662]
本稿では,DGAE(disentangled graph auto-encoder)とVDGAE(variantal disentangled graph auto-encoder)の2つの変種を持つ新しいフレームワークを提案する。
提案フレームワークは,グラフのエッジの原因となる潜伏因子を推定し,その表現を一意の潜伏因子に対応する複数のチャネルに分解する。
論文 参考訳(メタデータ) (2023-06-20T06:25:05Z) - H2CGL: Modeling Dynamics of Citation Network for Impact Prediction [13.00224680454585]
対象論文の階層的および異質なグラフを年次視点で構築する。
このグラフは、対象論文の科学的文脈情報の年次動態を記録することができる。
階層型および不均一なグラフ学習モデルであるグラフニューラルネットワークを提案する。
論文 参考訳(メタデータ) (2023-04-16T13:04:32Z) - ChiroDiff: Modelling chirographic data with Diffusion Models [132.5223191478268]
チャーログラフィーデータのための強力なモデルクラスである「拡散確率モデル(Denoising Diffusion Probabilistic Models)」やDDPMを導入している。
我々のモデルは「ChiroDiff」と呼ばれ、非自己回帰的であり、全体論的概念を捉えることを学び、したがって高い時間的サンプリングレートに回復する。
論文 参考訳(メタデータ) (2023-04-07T15:17:48Z) - Robust Causal Graph Representation Learning against Confounding Effects [21.380907101361643]
本稿では,ロバスト因果グラフ表現学習(RCGRL)を提案する。
RCGRLは、無条件のモーメント制約の下でインストゥルメンタル変数を生成するアクティブなアプローチを導入し、グラフ表現学習モデルにより、共同設立者を排除している。
論文 参考訳(メタデータ) (2022-08-18T01:31:25Z) - Invariance Principle Meets Out-of-Distribution Generalization on Graphs [66.04137805277632]
グラフの複素性質は、OOD一般化の不変原理の採用を妨げている。
OODメソッドでしばしば必要とされるドメインや環境のパーティションは、グラフを得るために取得するのにコストがかかる。
コントラスト戦略を用いて,このプロセスを明確にモデル化する新しいフレームワークを提案する。
論文 参考訳(メタデータ) (2022-02-11T04:38:39Z) - Handling Distribution Shifts on Graphs: An Invariance Perspective [77.14319095965058]
グラフ上のノードレベルの予測にOOD問題を定式化する。
そこで我々は,探索から抽出までのリスク最小化という新たなドメイン不変学習手法を開発した。
理論的に有効なOOD解の保証を示すことによって,本手法の有効性を実証する。
論文 参考訳(メタデータ) (2022-02-05T02:31:01Z) - Hyperbolic Graph Embedding with Enhanced Semi-Implicit Variational
Inference [48.63194907060615]
半単純グラフ変分自動エンコーダを用いて,低次元グラフ潜在表現における高次統計量を取得する。
我々は、階層構造を示すグラフを効率的に表現するために、ポインケア埋め込みを通して潜在空間に双曲幾何学を組み込む。
論文 参考訳(メタデータ) (2020-10-31T05:48:34Z)
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。