Fugu-MT 論文翻訳(概要): Hierarchical Position Embedding of Graphs with Landmarks and Clustering for Link Prediction

論文の概要: Hierarchical Position Embedding of Graphs with Landmarks and Clustering for Link Prediction

arxiv url: http://arxiv.org/abs/2402.08174v1
Date: Tue, 13 Feb 2024 02:13:12 GMT
ステータス: 処理完了
システム内更新日: 2024-02-14 16:57:30.448081
Title: Hierarchical Position Embedding of Graphs with Landmarks and Clustering for Link Prediction
Title（参考訳）: リンク予測のためのランドマーク付きグラフの階層的位置埋め込みとクラスタリング
Authors: Minsang Kim and Seungjun Baek
Abstract要約: 本稿ではランドマークと呼ばれる代表ノードを用いた位置情報の表現を提案する。高い集中度を持つ少数のノードがランドマークとして選択され、ノードの位置の参照ポイントとして機能する。実践的なネットワークに理論的知見を適用し,ランドマークとクラスタリングを組み込んだ階層的位置推定を提案する。
参考スコア（独自算出の注目度）: 4.818972097275635
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Learning positional information of nodes in a graph is important for link prediction tasks. We propose a representation of positional information using representative nodes called landmarks. A small number of nodes with high degree centrality are selected as landmarks, which serve as reference points for the nodes' positions. We justify this selection strategy for well-known random graph models and derive closed-form bounds on the average path lengths involving landmarks. In a model for power-law graphs, we prove that landmarks provide asymptotically exact information on inter-node distances. We apply theoretical insights to practical networks and propose Hierarchical Position embedding with Landmarks and Clustering (HPLC). HPLC combines landmark selection and graph clustering, where the graph is partitioned into densely connected clusters in which nodes with the highest degree are selected as landmarks. HPLC leverages the positional information of nodes based on landmarks at various levels of hierarchy such as nodes' distances to landmarks, inter-landmark distances and hierarchical grouping of clusters. Experiments show that HPLC achieves state-of-the-art performances of link prediction on various datasets in terms of HIT@K, MRR, and AUC. The code is available at \url{https://github.com/kmswin1/HPLC}.
Abstract（参考訳）: リンク予測タスクでは,グラフ内のノードの位置情報を学習することが重要である。本稿ではランドマークと呼ばれる代表ノードを用いた位置情報の表現を提案する。高い集中度を持つ少数のノードがランドマークとして選択され、ノードの位置の参照ポイントとして機能する。我々は、よく知られたランダムグラフモデルに対するこの選択戦略を正当化し、ランドマークを含む平均経路長の閉形式境界を導出する。パワーローグラフのモデルでは、ランドマークはノード間距離に関する漸近的に正確な情報を提供する。本稿では,実用的なネットワークに理論的知見を適用し,ランドマークとクラスタリング(HPLC)を用いた階層的位置埋め込みを提案する。 HPLCはランドマークの選択とグラフクラスタリングを組み合わせることで,グラフを高次ノードをランドマークとして選択する密結合クラスタに分割する。 HPLCは、ノードのランドマーク間距離、ランドマーク間距離、クラスタの階層的グループ化など、さまざまな階層レベルのランドマークに基づくノードの位置情報を活用する。実験の結果,HPLCはHIT@K,MRR,AUCを用いて,各種データセット上でのリンク予測の最先端性能を実現することがわかった。コードは \url{https://github.com/kmswin1/HPLC} で入手できる。

関連論文リスト

PA-GM: Position-Aware Learning of Embedding Networks for Deep Graph Matching [14.713628231555223]
本稿では,線形代入問題を高次元空間にマッピングできる新しいエンドツーエンドニューラルネットワークを提案する。我々のモデルは、ノードの相対的な位置に対するアンカーセットを構成する。そして、相対位置の尺度に基づいて、ターゲットノードと各アンカーノードの特徴情報を集約する。
論文参考訳（メタデータ） (2023-01-05T06:54:21Z)
Local Graph Embeddings Based on Neighbors Degree Frequency of Nodes [0.0]
本稿では,ノードの特定の局所的特徴とベクトル表現を定義することによって,グラフ機械学習とネットワーク解析の戦略を提案する。 Breath-First Search を通じてノードの次数の概念を拡張することにより、bf 中心関数の一般族が定義される。これらの局所的な特徴に深層学習を適用することで、中心性と近接性を学ぶことができることを示す。
論文参考訳（メタデータ） (2022-07-30T07:07:30Z)
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)
Graph Neural Networks with Feature and Structure Aware Random Walk [7.143879014059894]
典型的な好適なグラフでは、エッジを指向する可能性があり、エッジをそのまま扱うか、あるいは単純に非指向にするかは、GNNモデルの性能に大きな影響を与える。そこで我々は,グラフの方向性を適応的に学習するモデルを開発し,ノード間の長距離相関を生かした。
論文参考訳（メタデータ） (2021-11-19T08:54:21Z)
Reasoning Graph Networks for Kinship Verification: from Star-shaped to Hierarchical [85.0376670244522]
階層型推論グラフネットワークの学習による顔の親和性検証の問題点について検討する。より強力で柔軟なキャパシティを利用するために,星型推論グラフネットワーク(S-RGN)を開発した。また、より強力で柔軟なキャパシティを利用する階層型推論グラフネットワーク(H-RGN)も開発しています。
論文参考訳（メタデータ） (2021-09-06T03:16:56Z)
Measuring inter-cluster similarities with Alpha Shape TRIangulation in loCal Subspaces (ASTRICS) facilitates visualization and clustering of high-dimensional data [0.0]
高次元(HD)データのクラスタリングと可視化は、様々な分野において重要なタスクである。 HDデータをクラスタリングする最も効果的なアルゴリズムは、グラフ内のノードによってデータを表現することに基づいている。本稿では,HDデータポイントのクラスタ間の類似性を計測するASTRICSという手法を提案する。
論文参考訳（メタデータ） (2021-07-15T20:51:06Z)
Spatial-Spectral Clustering with Anchor Graph for Hyperspectral Image [88.60285937702304]
本稿では、HSIデータクラスタリングのための空間スペクトルクラスタリングとアンカーグラフ(SSCAG)という新しい非監視アプローチを提案する。提案されたSSCAGは最先端のアプローチと競合する。
論文参考訳（メタデータ） (2021-04-24T08:09:27Z)
SPAGAN: Shortest Path Graph Attention Network [187.75441278910708]
グラフ畳み込みネットワーク(GCN)は最近、グラフとして表現できる非グリッド構造データを分析する可能性を示した。本研究では,SPAGAN (Shortest Path Graph Attention Network) と呼ばれる新しいGCNモデルを提案する。
論文参考訳（メタデータ） (2021-01-10T03:18:34Z)
Graph Networks with Spectral Message Passing [1.0742675209112622]
本稿では,空間領域とスペクトル領域の両方にメッセージパッシングを適用するSpectral Graph Networkを紹介する。その結果,spectrum gnは効率のよいトレーニングを促進し,より多くのパラメータを持つにもかかわらず,少ないトレーニングイテレーションで高いパフォーマンスを達成できることがわかった。
論文参考訳（メタデータ） (2020-12-31T21:33:17Z)
node2coords: Graph Representation Learning with Wasserstein Barycenters [59.07120857271367]
グラフの表現学習アルゴリズムである node2coords を導入する。低次元空間を同時に学習し、その空間内のノードを座標する。実験の結果,node2coordで学習した表現は解釈可能であることがわかった。
論文参考訳（メタデータ） (2020-07-31T13:14:25Z)
Inverse Graph Identification: Can We Identify Node Labels Given Graph Labels? [89.13567439679709]
グラフ識別(GI)は、グラフ学習において長い間研究されており、特定の応用において不可欠である。本稿では,逆グラフ識別(Inverse Graph Identification, IGI)と呼ばれる新しい問題を定義する。本稿では,グラフアテンションネットワーク(GAT)を用いたノードレベルのメッセージパッシング処理を,GIのプロトコルの下でシンプルかつ効果的に行う方法を提案する。
論文参考訳（メタデータ） (2020-07-12T12:06:17Z)

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。