論文の概要: On the Role of Edge Dependency in Graph Generative Models

• arxiv url: http://arxiv.org/abs/2312.03691v1
• Date: Wed, 6 Dec 2023 18:54:27 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-07 13:47:59.216617
• Title: On the Role of Edge Dependency in Graph Generative Models
• Title（参考訳）: グラフ生成モデルにおけるエッジ依存性の役割について
• Authors: Sudhanshu Chanpuriya, Cameron Musco, Konstantinos Sotiropoulos, Charalampos Tsourakakis
• Abstract要約: 本稿では,グラフ生成モデルのための新しい評価フレームワークを提案する。 我々は、精度とエッジの多様性の両方を保証するために、モデル生成グラフの重複の重要性に焦点をあてる。 我々の単純な解釈可能なモデルが、一般的な生成モデルと競合するベースラインを提供することを示す。
• 参考スコア（独自算出の注目度）: 28.203109773986167
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this work, we introduce a novel evaluation framework for generative models of graphs, emphasizing the importance of model-generated graph overlap (Chanpuriya et al., 2021) to ensure both accuracy and edge-diversity. We delineate a hierarchy of graph generative models categorized into three levels of complexity: edge independent, node independent, and fully dependent models. This hierarchy encapsulates a wide range of prevalent methods. We derive theoretical bounds on the number of triangles and other short-length cycles producible by each level of the hierarchy, contingent on the model overlap. We provide instances demonstrating the asymptotic optimality of our bounds. Furthermore, we introduce new generative models for each of the three hierarchical levels, leveraging dense subgraph discovery (Gionis & Tsourakakis, 2015). Our evaluation, conducted on real-world datasets, focuses on assessing the output quality and overlap of our proposed models in comparison to other popular models. Our results indicate that our simple, interpretable models provide competitive baselines to popular generative models. Through this investigation, we aim to propel the advancement of graph generative models by offering a structured framework and robust evaluation metrics, thereby facilitating the development of models capable of generating accurate and edge-diverse graphs.
• Abstract（参考訳）: 本研究では,グラフの生成モデルに対する新たな評価フレームワークを導入し,モデル生成グラフの重複の重要性を強調した(Chanpuriya et al., 2021)。 グラフ生成モデルの階層構造を,エッジ独立,ノード独立,完全依存の3段階の複雑性に分類する。 この階層は広く普及しているメソッドをカプセル化する。 我々は、モデルの重なりに応じて、階層のレベルごとに再現可能な三角形の数とその他の短周期の理論的境界を導出する。 境界の漸近的最適性を示す例を提供する。 さらに, 高密度サブグラフの発見(gionis & tsourakakis, 2015)を活用し, 3階層それぞれに新しい生成モデルを導入する。 実世界のデータセットで実施した評価では,提案モデルの出力品質と重なりを評価し,他の一般的なモデルと比較した。 我々の単純な解釈可能なモデルは、一般的な生成モデルと競合するベースラインを提供することを示す。 本研究では,構造化フレームワークとロバストな評価指標を提供することにより,高精度かつエッジ・ディバースグラフを生成可能なモデルの開発を促進することにより,グラフ生成モデルの進展を促進することを目的とする。

関連論文リスト

• A Collaborative Ensemble Framework for CTR Prediction [73.59868761656317]
  我々は、複数の異なるモデルを活用するための新しいフレームワーク、CETNet(Collaborative Ensemble Training Network)を提案する。 ナイーブなモデルスケーリングとは違って,私たちのアプローチは,共同学習による多様性とコラボレーションを重視しています。 当社のフレームワークは,Metaの3つのパブリックデータセットと大規模産業データセットに基づいて検証する。
  論文  参考訳（メタデータ） (2024-11-20T20:38:56Z)
• Hierarchical Blockmodelling for Knowledge Graphs [0.5530212768657544]
  知識グラフ上の階層的なエンティティクラスタリングのためにブロックモデルを使用します。 Nested Chinese Restaurant ProcessとStick Breaking Processを生成モデルに統合することで、階層的なクラスタリングの誘導が可能になる。 我々は、合成および実世界のデータセット上でモデルを評価し、ベンチマークモデルと定量的に比較した。
  論文  参考訳（メタデータ） (2024-08-28T09:04:15Z)
• (Deep) Generative Geodesics [57.635187092922976]
  2つのデータポイント間の類似性を評価するために,新しい測定基準を導入する。 我々の計量は、生成距離と生成測地学の概念的定義に繋がる。 彼らの近似は、穏やかな条件下で真の値に収束することが証明されている。
  論文  参考訳（メタデータ） (2024-07-15T21:14:02Z)
• Unifying Generation and Prediction on Graphs with Latent Graph Diffusion [24.505897569096476]
  グラフ学習タスクを各レベルのタスクで解くための,最初のフレームワークを提案する。 まず、回帰を含む予測タスクを一般的な(条件付き)生成フレームワークに分類する。 次に、各カテゴリのノード、エッジ、グラフレベルの特徴を同時に生成できる生成モデルであるLatent Graph Diffusion (LGD)を提案する。
  論文  参考訳（メタデータ） (2024-02-04T15:03:47Z)
• HiGen: Hierarchical Graph Generative Networks [2.3931689873603603]
  ほとんどの実世界のグラフは階層構造を示しており、しばしば既存のグラフ生成法で見過ごされる。 本稿では,グラフの階層的な性質を捉え,グラフのサブ構造を粗い方法で連続的に生成するグラフ生成ネットワークを提案する。 このモジュラーアプローチは、大規模で複雑なグラフに対してスケーラブルなグラフ生成を可能にする。
  論文  参考訳（メタデータ） (2023-05-30T18:04:12Z)
• 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)
• On the Power of Edge Independent Graph Models [22.085932117823738]
  本研究では,エッジ独立乱数グラフモデルの限界について検討する。 有界重なり条件の下では、エッジ独立モデルは本質的に、高い三角形やその他の部分グラフ密度を持つグラフを生成する能力に制限されていることを示す。
  論文  参考訳（メタデータ） (2021-10-29T19:12:14Z)
• Improving Label Quality by Jointly Modeling Items and Annotators [68.8204255655161]
  雑音アノテータから基底真理ラベルを学習するための完全ベイズ的枠組みを提案する。 我々のフレームワークは、ラベル分布上の生成的ベイズソフトクラスタリングモデルを古典的なDavidとSkeneのジョイントアノテータデータモデルに分解することでスケーラビリティを保証する。
  論文  参考訳（メタデータ） (2021-06-20T02:15:20Z)
• A Robust and Generalized Framework for Adversarial Graph Embedding [73.37228022428663]
  本稿では,AGE という逆グラフ埋め込みのための頑健なフレームワークを提案する。 AGEは、暗黙の分布から強化された負のサンプルとして偽の隣接ノードを生成する。 本フレームワークでは,3種類のグラフデータを扱う3つのモデルを提案する。
  論文  参考訳（メタデータ） (2021-05-22T07:05:48Z)
• Interpretable Deep Graph Generation with Node-Edge Co-Disentanglement [55.2456981313287]
  本稿では,属性グラフの深部生成モデルのための新しいアンタングルメント拡張フレームワークを提案する。 ノードとエッジのデコンボリューションのための新しいアーキテクチャを用いて、上記の3種類の潜伏因子を解離する新しい変分的目的を提案する。 各タイプ内では、画像の既存のフレームワークの一般化が示され、個々の因子のゆがみがさらに強化される。
  論文  参考訳（メタデータ） (2020-06-09T16:33:49Z)

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。