Fugu-MT 論文翻訳(概要): A Community Detection and Graph Neural Network Based Link Prediction Approach for Scientific Literature

論文の概要: A Community Detection and Graph Neural Network Based Link Prediction Approach for Scientific Literature

arxiv url: http://arxiv.org/abs/2401.02542v1
Date: Thu, 4 Jan 2024 21:14:10 GMT
ステータス: 処理完了
システム内更新日: 2024-01-08 16:38:56.764118
Title: A Community Detection and Graph Neural Network Based Link Prediction Approach for Scientific Literature
Title（参考訳）: 科学文献を対象としたコミュニティ検出とグラフニューラルネットワークに基づくリンク予測手法
Authors: Chunjiang Liu, Yikun Han, Haiyun Xu, Shihan Yang, Kaidi Wang, Yongye Su
Abstract要約: 本研究では,コミュニティ検出アルゴリズムをグラフニューラルネットワーク(GNN)モデルに統合し,科学的ネットワーク文学におけるリンク予測を強化する革新的な手法を提案する。本稿では,これらのネットワーク内の潜在コミュニティ構造を明らかにするために,Louvainコミュニティ検出アルゴリズムの利用に着目する。
参考スコア（独自算出の注目度）: 3.682824797265354
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: This study introduces an innovative approach that integrates community detection algorithms with Graph Neural Network (GNN) models to enhance link prediction in scientific literature networks. We specifically focus on the utilization of the Louvain community detection algorithm to uncover latent community structures within these networks, which are then incorporated into GNN architectures to predict potential links. Our methodology demonstrates the importance of understanding community dynamics in complex networks and leverages the strengths of both community detection and GNNs to improve predictive accuracy. Through extensive experiments on bipartite graphs representing scientific collaborations and citations, our approach not only highlights the synergy between community detection and GNNs but also addresses some of the prevalent challenges in link prediction, such as scalability and resolution limits. The results suggest that incorporating community-level information can significantly enhance the performance of GNNs in link prediction tasks. This work contributes to the evolving field of network science by offering a novel perspective on integrating advanced machine learning techniques with traditional network analysis methods to better understand and predict the intricate patterns of scientific collaborations.
Abstract（参考訳）: 本研究では,コミュニティ検出アルゴリズムとグラフニューラルネットワーク(gnn)モデルを統合し,学術文献ネットワークにおけるリンク予測を強化する革新的な手法を提案する。特に,これらのネットワーク内の潜在コミュニティ構造を明らかにするために,ルーバインコミュニティ検出アルゴリズムの活用に注目し,gnnアーキテクチャに組み込まれ,潜在的なリンクを予測する。本手法は,複雑なネットワークにおけるコミュニティダイナミクスの理解の重要性を実証し,コミュニティ検出とGNNの長所を利用して予測精度を向上させる。科学的なコラボレーションや引用を表現する2部グラフの広範な実験を通じて,コミュニティ検出とgnnの相乗効果を強調するだけでなく,スケーラビリティや解決限界など,リンク予測における一般的な課題にも対処した。その結果,コミュニティレベルの情報の導入は,リンク予測タスクにおけるGNNの性能を大幅に向上させる可能性が示唆された。この研究は、高度な機械学習技術と従来のネットワーク分析手法を統合する新しい視点を提供することで、ネットワーク科学の発展に寄与し、科学コラボレーションの複雑なパターンをよりよく理解し、予測する。

関連論文リスト

An unified approach to link prediction in collaboration networks [0.0]
本稿では、協調ネットワークにおけるリンク予測の3つのアプローチについて検討し、比較する。 ERGMはネットワーク内の一般的な構造パターンをキャプチャするために使用される。 GCNとWord2Vec+MLPモデルはディープラーニング技術を利用してノードとその関係の適応的構造表現を学習する。
論文参考訳（メタデータ） (2024-11-01T22:40:39Z)
PROXI: Challenging the GNNs for Link Prediction [3.8233569758620063]
本稿では,グラフと属性空間の両方におけるノードペアの近接情報を活用するPROXIを紹介する。標準機械学習(ML)モデルは競争力があり、最先端のGNNモデルよりも優れています。 ProXIによる従来のGNNの拡張はリンク予測性能を大幅に向上させることを示す。
論文参考訳（メタデータ） (2024-10-02T17:57:38Z)
Uncertainty in Graph Neural Networks: A Survey [50.63474656037679]
グラフニューラルネットワーク(GNN)は、様々な現実世界のアプリケーションで広く使われている。しかし、多様な情報源から生じるGNNの予測的不確実性は、不安定で誤った予測につながる可能性がある。本調査は,不確実性の観点からGNNの概要を概観することを目的としている。
論文参考訳（メタデータ） (2024-03-11T21:54:52Z)
Rethinking Causal Relationships Learning in Graph Neural Networks [24.7962807148905]
本稿では,GNNの因果学習能力を高めるために,軽量で適応可能なGNNモジュールを提案する。提案モジュールの有効性を実証的に検証する。
論文参考訳（メタデータ） (2023-12-15T08:54:32Z)
Information Flow in Graph Neural Networks: A Clinical Triage Use Case [49.86931948849343]
グラフニューラルネットワーク(GNN)は、マルチモーダルグラフとマルチリレーショナルグラフを処理する能力によって、医療やその他の領域で人気を集めている。 GNNにおける埋め込み情報のフローが知識グラフ(KG)におけるリンクの予測に与える影響について検討する。以上の結果から,ドメイン知識をGNN接続に組み込むことで,KGと同じ接続を使用する場合や,制約のない埋め込み伝搬を行う場合よりも優れた性能が得られることが示された。
論文参考訳（メタデータ） (2023-09-12T09:18:12Z)
DEGREE: Decomposition Based Explanation For Graph Neural Networks [55.38873296761104]
我々は,GNN予測に対する忠実な説明を提供するためにDGREEを提案する。 GNNの情報生成と集約機構を分解することにより、DECREEは入力グラフの特定のコンポーネントのコントリビューションを最終的な予測に追跡することができる。また,従来の手法で見過ごされるグラフノード間の複雑な相互作用を明らかにするために,サブグラフレベルの解釈アルゴリズムを設計する。
論文参考訳（メタデータ） (2023-05-22T10:29:52Z)
HIRE: Distilling High-order Relational Knowledge From Heterogeneous Graph Neural Networks [4.713436329217004]
本稿では,事前学習したHGNNからリレーショナル知識を蒸留する多目的プラグアンドプレイモジュールを提案する。我々の知識を最大限に活用するために、不均一グラフ上のHIRE(HIgh-order Relational)知識蒸留フレームワークを最初に提案する。
論文参考訳（メタデータ） (2022-07-25T03:25:15Z)
EvenNet: Ignoring Odd-Hop Neighbors Improves Robustness of Graph Neural Networks [51.42338058718487]
グラフニューラルネットワーク(GNN)は、グラフ機械学習における有望なパフォーマンスについて、広範な研究の注目を集めている。 GCNやGPRGNNのような既存のアプローチは、テストグラフ上のホモフィリな変化に直面しても堅牢ではない。偶数多項式グラフフィルタに対応するスペクトルGNNであるEvenNetを提案する。
論文参考訳（メタデータ） (2022-05-27T10:48:14Z)
Bridging the Gap between Spatial and Spectral Domains: A Unified Framework for Graph Neural Networks [61.17075071853949]
グラフニューラルネットワーク(GNN)は、古典的なディープラーニングが容易に管理できないグラフ構造データを扱うように設計されている。本研究の目的は,スペクトルグラフと近似理論に基づいてGNNを統合する統一フレームワークを確立することである。
論文参考訳（メタデータ） (2021-07-21T17:34:33Z)
Amortized Probabilistic Detection of Communities in Graphs [39.56798207634738]
そこで我々は,アモータイズされたコミュニティ検出のためのシンプルなフレームワークを提案する。我々はGNNの表現力と最近のアモータイズクラスタリングの手法を組み合わせる。我々は、合成および実データセットに関するフレームワークから、いくつかのモデルを評価する。
論文参考訳（メタデータ） (2020-10-29T16:18:48Z)
Bayesian Graph Neural Networks with Adaptive Connection Sampling [62.51689735630133]
グラフニューラルネットワーク(GNN)における適応接続サンプリングのための統一的なフレームワークを提案する。提案フレームワークは,深部GNNの過度なスムース化や過度に適合する傾向を緩和するだけでなく,グラフ解析タスクにおけるGNNによる不確実性の学習を可能にする。
論文参考訳（メタデータ） (2020-06-07T07:06:35Z)

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。