論文の概要: Hierarchical Aggregations for High-Dimensional Multiplex Graph Embedding
- arxiv url: http://arxiv.org/abs/2312.16834v1
- Date: Thu, 28 Dec 2023 05:39:33 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-29 17:16:37.890605
- Title: Hierarchical Aggregations for High-Dimensional Multiplex Graph Embedding
- Title(参考訳): 高次元多重グラフ埋め込みのための階層的集合
- Authors: Kamel Abdous, Nairouz Mrabah, Mohamed Bouguessa
- Abstract要約: HMGEは高次元多重グラフの階層的アグリゲーションに基づく新しい埋め込み手法である。
我々は、ローカルパッチとグローバルサマリー間の相互情報を活用して、監督なしにモデルを訓練する。
合成および実世界のデータに関する詳細な実験は、下流監視タスクに対する我々のアプローチの適合性を示している。
- 参考スコア(独自算出の注目度): 7.271256448682229
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We investigate the problem of multiplex graph embedding, that is, graphs in
which nodes interact through multiple types of relations (dimensions). In
recent years, several methods have been developed to address this problem.
However, the need for more effective and specialized approaches grows with the
production of graph data with diverse characteristics. In particular,
real-world multiplex graphs may exhibit a high number of dimensions, making it
difficult to construct a single consensus representation. Furthermore,
important information can be hidden in complex latent structures scattered in
multiple dimensions. To address these issues, we propose HMGE, a novel
embedding method based on hierarchical aggregation for high-dimensional
multiplex graphs. Hierarchical aggregation consists of learning a hierarchical
combination of the graph dimensions and refining the embeddings at each
hierarchy level. Non-linear combinations are computed from previous ones, thus
uncovering complex information and latent structures hidden in the multiplex
graph dimensions. Moreover, we leverage mutual information maximization between
local patches and global summaries to train the model without supervision. This
allows to capture of globally relevant information present in diverse locations
of the graph. Detailed experiments on synthetic and real-world data illustrate
the suitability of our approach to downstream supervised tasks, including link
prediction and node classification.
- Abstract(参考訳): 本研究では,複数種類の関係(次元)を通してノードが相互作用する多元グラフの組込み問題について検討する。
近年,この問題に対処する手法がいくつか開発されている。
しかし、より効果的で専門的なアプローチの必要性は、様々な特徴を持つグラフデータの生成によって増大する。
特に実世界の多重グラフは、多くの次元を示すことができ、単一のコンセンサス表現を構築することは困難である。
さらに、重要な情報は多次元に散在する複雑な潜在構造の中に隠れることができる。
そこで本稿では,高次元多重グラフの階層的アグリゲーションに基づく新しい埋め込み手法であるhmgeを提案する。
階層的アグリゲーションは、グラフ次元の階層的な組み合わせを学び、各階層レベルで埋め込みを精算する。
非線形結合は前者から計算され、多重グラフ次元に隠れた複雑な情報や潜在構造を明らかにする。
さらに,局所パッチとグローバルサマリー間の相互情報最大化を活用し,監視なしでモデルをトレーニングする。
これにより、グラフの様々な場所に存在するグローバルな関連情報をキャプチャすることができる。
合成および実世界のデータに関する詳細な実験は、リンク予測やノード分類を含む下流教師付きタスクに対する我々のアプローチの適合性を示している。
関連論文リスト
- DA-MoE: Addressing Depth-Sensitivity in Graph-Level Analysis through Mixture of Experts [70.21017141742763]
グラフニューラルネットワーク(GNN)は、グラフ構造化データを処理することで人気を集めている。
既存のメソッドは通常、固定数のGNNレイヤを使用して、すべてのグラフの表現を生成する。
本稿では,GNNに2つの改良を加えたDA-MoE法を提案する。
論文 参考訳(メタデータ) (2024-11-05T11:46:27Z) - Representation learning in multiplex graphs: Where and how to fuse
information? [5.0235828656754915]
多重グラフはよりリッチな情報を持ち、より良いモデリング機能を提供し、潜在的に異なるソースからより詳細なデータを統合する。
本稿では,マルチプレックスネットワークにおけるノードの表現を教師なしあるいは自己管理的に学習する問題に対処する。
多重グラフを扱うGNNアーキテクチャの構築方法の改善を提案する。
論文 参考訳(メタデータ) (2024-02-27T21:47:06Z) - 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) - High-order Multi-view Clustering for Generic Data [15.764819403555512]
グラフベースのマルチビュークラスタリングは、ほとんどの非グラフアプローチよりも優れたパフォーマンスを実現している。
本稿では,高次マルチビュークラスタリング (HMvC) という手法を導入し,汎用データのトポロジ構造情報を探索する。
論文 参考訳(メタデータ) (2022-09-22T07:49:38Z) - SHGNN: Structure-Aware Heterogeneous Graph Neural Network [77.78459918119536]
本稿では、上記の制約に対処する構造対応不均一グラフニューラルネットワーク(SHGNN)を提案する。
まず,メタパス内の中間ノードの局所構造情報を取得するために,特徴伝搬モジュールを利用する。
次に、ツリーアテンションアグリゲータを使用して、グラフ構造情報をメタパス上のアグリゲーションモジュールに組み込む。
最後に、メタパスアグリゲータを利用して、異なるメタパスから集約された情報を融合する。
論文 参考訳(メタデータ) (2021-12-12T14:18:18Z) - Semi-Supervised Deep Learning for Multiplex Networks [20.671777884219555]
多重ネットワークは複雑なグラフ構造であり、エンティティの集合が複数のタイプの関係によって相互に接続される。
マルチプレックスネットワーク上の構造認識表現学習のための,新しい半教師付き手法を提案する。
論文 参考訳(メタデータ) (2021-10-05T13:37:43Z) - Effective and Efficient Graph Learning for Multi-view Clustering [173.8313827799077]
マルチビュークラスタリングのための効率的かつ効率的なグラフ学習モデルを提案する。
本手法はテンソルシャッテンp-ノルムの最小化により異なるビューのグラフ間のビュー類似性を利用する。
提案アルゴリズムは時間経済であり,安定した結果を得るとともに,データサイズによく対応している。
論文 参考訳(メタデータ) (2021-08-15T13:14:28Z) - Multiple Graph Learning for Scalable Multi-view Clustering [26.846642220480863]
少数のアンカー点とテンソルシャッテンp-ノルム最小化による効率的な多重グラフ学習モデルを提案する。
具体的には、各ビューに対してアンカーグラフを用いて、隠蔽かつトラクタブルな大きなグラフを構築する。
本研究では,データサイズと線形にスケールする効率的なアルゴリズムを開発し,提案したモデルを解く。
論文 参考訳(メタデータ) (2021-06-29T13:10:56Z) - 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) - Multilayer Clustered Graph Learning [66.94201299553336]
我々は、観測された層を代表グラフに適切に集約するために、データ忠実度用語として対照的な損失を用いる。
実験により,本手法がクラスタクラスタw.r.tに繋がることが示された。
クラスタリング問題を解くためのクラスタリングアルゴリズムを学習する。
論文 参考訳(メタデータ) (2020-10-29T09:58:02Z) - Learning Multi-layer Graphs and a Common Representation for Clustering [13.90938823562779]
スペクトルクラスタリングのための共有エンティティのマルチビューデータからグラフ学習に着目する。
本稿では,この問題を解決するために,最小化の交互化に基づく効率的な解法を提案する。
合成データセットと実データセットの数値実験により,提案アルゴリズムは最先端のマルチビュークラスタリング技術より優れていることが示された。
論文 参考訳(メタデータ) (2020-10-23T11:12:43Z)
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。