論文の概要: An Effective Index for Truss-based Community Search on Large Directed Graphs

• arxiv url: http://arxiv.org/abs/2401.10641v1
• Date: Fri, 19 Jan 2024 11:37:30 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-22 16:10:04.476710
• Title: An Effective Index for Truss-based Community Search on Large Directed Graphs
• Title（参考訳）: 大方向グラフを用いたトラスに基づくコミュニティ検索のための効果的な指標
• Authors: Wei Ai, CanHao Xie, Tao Meng, Yinghao Wu, KeQin Li
• Abstract要約: 我々はD-トラス連結と呼ばれる革新的なマージ関係を導入し、D-トラス内のエッジの固有密度と凝集度を捉える。 我々は、D-トラス接続に基づく簡潔でコンパクトなインデックスであるConDTrussを構築し、ConDTrussを用いて、最大D-トラス検索の効率を大幅に改善する。
• 参考スコア（独自算出の注目度）: 14.158939954453933
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Community search is a derivative of community detection that enables online and personalized discovery of communities and has found extensive applications in massive real-world networks. Recently, there needs to be more focus on the community search issue within directed graphs, even though substantial research has been carried out on undirected graphs. The recently proposed D-truss model has achieved good results in the quality of retrieved communities. However, existing D-truss-based work cannot perform efficient community searches on large graphs because it consumes too many computing resources to retrieve the maximal D-truss. To overcome this issue, we introduce an innovative merge relation known as D-truss-connected to capture the inherent density and cohesiveness of edges within D-truss. This relation allows us to partition all the edges in the original graph into a series of D-truss-connected classes. Then, we construct a concise and compact index, ConDTruss, based on D-truss-connected. Using ConDTruss, the efficiency of maximum D-truss retrieval will be greatly improved, making it a theoretically optimal approach. Experimental evaluations conducted on large directed graph certificate the effectiveness of our proposed method.
• Abstract（参考訳）: コミュニティ検索は、コミュニティのオンラインおよびパーソナライズされた発見を可能にするコミュニティ検出の派生であり、大規模な現実世界のネットワークで広範囲のアプリケーションを見つけてきた。 近年,非有向グラフに関する実質的な研究が行われているにもかかわらず,有向グラフ内のコミュニティ検索問題にもっと注目する必要がある。 最近提案されたD-トラスモデルにより,地域社会の質が向上した。 しかし、Dトラスをベースとした既存の作業では、最大Dトラスを取得するには計算資源が多すぎるため、大きなグラフ上で効率的なコミュニティ検索を行うことはできない。 この問題を解決するために、D-トラス接続と呼ばれる革新的なマージ関係を導入し、D-トラス内部のエッジの固有密度と凝集度を捉える。 この関係により、元のグラフのすべての辺を一連のD-トラス連結クラスに分割できる。 そして、D-トラス接続に基づく簡潔でコンパクトな指標 ConDTruss を構築する。 ConDTrussを用いることで、最大Dトラス検索の効率を大幅に改善し、理論的に最適なアプローチとなる。 提案手法の有効性を検証した大規模有向グラフ証明の実験的検討を行った。

関連論文リスト

• Local Intrinsic Dimensionality for Dynamic Graph Embeddings [0.0]
  局所内在的次元性(LID)は、データマイニングと機械学習の分野において重要な理論的意味と実践的応用を持っている。 近年の研究では,グラフに対して定義されたLID尺度が,ランダムウォークに基づくグラフ表現学習法を改善することが示唆されている。 本稿では,静的グラフのための LID 尺度である NC-LID を動的ネットワークに適用する方法について論じる。
  論文  参考訳（メタデータ） (2024-11-25T07:11:45Z)
• Deep Graph Anomaly Detection: A Survey and New Perspectives [86.84201183954016]
  グラフ異常検出(GAD)は、異常なグラフインスタンス(ノード、エッジ、サブグラフ、グラフ)を特定することを目的とする。 ディープラーニングアプローチ、特にグラフニューラルネットワーク(GNN)は、GADにとって有望なパラダイムとして現れています。
  論文  参考訳（メタデータ） (2024-09-16T03:05:11Z)
• HGOE: Hybrid External and Internal Graph Outlier Exposure for Graph Out-of-Distribution Detection [78.47008997035158]
  グラフデータはより多様性を示すが、摂動に対する堅牢性は低く、外れ値の統合を複雑にする。 我々は、グラフOOD検出性能を改善するために、textbfHybrid外部および内部の textbfGraph textbfOutlier textbfExposure (HGOE) の導入を提案する。
  論文  参考訳（メタデータ） (2024-07-31T16:55:18Z)
• Efficient Causal Graph Discovery Using Large Language Models [42.724534747353665]
  提案するフレームワークはBFS (Broadth-first Search) アプローチを用いており,クエリの線形数のみを使用することができる。 提案フレームワークは,時間とデータ効率の向上に加えて,様々なサイズの実世界の因果グラフに対して,最先端の結果を達成している。
  論文  参考訳（メタデータ） (2024-02-02T08:25:32Z)
• Fast Butterfly-Core Community Search For Large Labeled Graphs [13.197551708300345]
  本稿では,異種グラフに対するButterfly-Core Community (BCC) 構造に基づく高速なコミュニティ検索モデルを提案する。 ランダムウォーク・ウィズ・リスタート(RWR)アルゴリズムと蝶の学位は、コミュニティ内の頂点の重要性を包括的に評価し、リーダーの頂点を迅速に更新し、グループ間の結合を維持する。 いくつかの実世界の時間グラフに関する大規模な実験は、この解の有効性と効率を実証している。
  論文  参考訳（メタデータ） (2024-01-19T11:44:09Z)
• BOURNE: Bootstrapped Self-supervised Learning Framework for Unified Graph Anomaly Detection [50.26074811655596]
  自己指導型自己学習(BOURNE)に基づく新しい統合グラフ異常検出フレームワークを提案する。 ノードとエッジ間のコンテキスト埋め込みを交換することで、ノードとエッジの異常を相互に検出できる。 BOURNEは、負のサンプリングを必要としないため、大きなグラフを扱う際の効率を高めることができる。
  論文  参考訳（メタデータ） (2023-07-28T00:44:57Z)
• Consensus Knowledge Graph Learning via Multi-view Sparse Low Rank Block Model [8.374332740392978]
  本稿では,マルチビュースパース低ランクブロックモデル (msLBM) フレームワークを提案する。 この結果から,マルチソースデータセットを活用することで,コンセンサス知識グラフをより正確に学習できることが示唆された。
  論文  参考訳（メタデータ） (2022-09-28T01:19:38Z)
• CogDL: A Comprehensive Library for Graph Deep Learning [55.694091294633054]
  研究者や実践者が実験を行い、メソッドを比較し、簡単かつ効率的にアプリケーションを構築することができるグラフ深層学習ライブラリであるCogDLを紹介します。 CogDLでは,様々なグラフタスクに対するGNNモデルのトレーニングと評価のための統一設計を提案し,既存のグラフ学習ライブラリに固有のものである。 我々はCogDLのための効率的なスパース演算子を開発し、効率性のための最も競争力のあるグラフライブラリとなる。
  論文  参考訳（メタデータ） (2021-03-01T12:35:16Z)
• Mix Dimension in Poincar\'{e} Geometry for 3D Skeleton-based Action Recognition [57.98278794950759]
  グラフ畳み込みネットワーク(GCN)はすでに、不規則なデータをモデル化する強力な能力を実証している。 本稿では,ポアンカー幾何学を用いて定義した空間時空間GCNアーキテクチャを提案する。 提案手法を,現在最大規模の2つの3次元データセット上で評価する。
  論文  参考訳（メタデータ） (2020-07-30T18:23:18Z)
• Integrating Network Embedding and Community Outlier Detection via Multiclass Graph Description [15.679313861083239]
  そこで本稿では,ノード埋め込みとアウトレーヤとコミュニティ検出を統合した非教師なしグラフ埋め込み手法(DMGD)を提案する。 DMGDにより検出された外れ値の数に関する理論的境界を示す。 我々の定式化は、外れ値、コミュニティ割り当て、ノード埋め込み関数の間の興味深いミニマックスゲームに起因する。
  論文  参考訳（メタデータ） (2020-07-20T16:21:07Z)
• Graph Representation Learning via Graphical Mutual Information Maximization [86.32278001019854]
  本稿では,入力グラフとハイレベルな隠蔽表現との相関を測る新しい概念であるGMIを提案する。 我々は,グラフニューラルエンコーダの入力と出力の間でGMIを最大化することで訓練された教師なし学習モデルを開発する。
  論文  参考訳（メタデータ） (2020-02-04T08:33:49Z)

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。