論文の概要: RCoCo: Contrastive Collective Link Prediction across Multiplex Network in Riemannian Space

• arxiv url: http://arxiv.org/abs/2403.01864v1
• Date: Mon, 4 Mar 2024 09:20:05 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-06 19:29:09.547521
• Title: RCoCo: Contrastive Collective Link Prediction across Multiplex Network in Riemannian Space
• Title（参考訳）: RCoCo: リーマン空間における多重ネットワーク間のコントラスト集合リンク予測
• Authors: Li Sun, Mengjie Li, Yong Yang, Xiao Li, Lin Liu, Pengfei Zhang, Haohua Du
• Abstract要約: マルチプレクサネットワークにおける幾何対応型集合リンク予測の課題について検討する。 この問題に対処するために,ネットワーク内およびネットワーク間動作を協調する新しいコントラストモデルRCoCoを提案する。 実世界の8つのデータセットに対して,14の強いベースラインを用いた広範な実験を行い,RCoCoの有効性を示した。
• 参考スコア（独自算出の注目度）: 20.85587272424559
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Link prediction typically studies the probability of future interconnection among nodes with the observation in a single social network. More often than not, real scenario is presented as a multiplex network with common (anchor) users active in multiple social networks. In the literature, most existing works study either the intra-link prediction in a single network or inter-link prediction among networks (a.k.a. network alignment), and consider two learning tasks are independent from each other, which is still away from the fact. On the representation space, the vast majority of existing methods are built upon the traditional Euclidean space, unaware of the inherent geometry of social networks. The third issue is on the scarce anchor users. Annotating anchor users is laborious and expensive, and thus it is impractical to work with quantities of anchor users. Herein, in light of the issues above, we propose to study a challenging yet practical problem of Geometry-aware Collective Link Prediction across Multiplex Network. To address this problem, we present a novel contrastive model, RCoCo, which collaborates intra- and inter-network behaviors in Riemannian spaces. In RCoCo, we design a curvature-aware graph attention network ($\kappa-$GAT), conducting attention mechanism in Riemannian manifold whose curvature is estimated by the Ricci curvatures over the network. Thereafter, we formulate intra- and inter-contrastive loss in the manifolds, in which we augment graphs by exploring the high-order structure of community and information transfer on anchor users. Finally, we conduct extensive experiments with 14 strong baselines on 8 real-world datasets, and show the effectiveness of RCoCo.
• Abstract（参考訳）: リンク予測は通常、1つのソーシャルネットワークで観測されるノード間の将来の相互接続の確率を研究する。 多くの場合、実際のシナリオは複数のソーシャルネットワークでアクティブな共通(アンカー)ユーザを持つ多重ネットワークとして提示される。 文献では、既存のほとんどの研究は、単一のネットワークにおけるリンク内予測またはネットワーク間のリンク間予測(ネットワークアライメントなど)を研究し、2つの学習タスクが互いに独立しており、それは事実とはかけ離れている。 表現空間では、既存の手法の大部分は伝統的なユークリッド空間の上に構築され、ソーシャルネットワークの固有の幾何学を知らない。 第3の問題は,アンカーユーザが少ないことだ。 アンカー利用者のアノテートは手間と費用がかかるため、多数のアンカー利用者と作業することは不可能である。 本稿では,上記の問題を踏まえ,多重ネットワークにおける幾何認識型集団リンク予測の挑戦的かつ実用的な課題について検討する。 この問題に対処するために、リーマン空間におけるネットワーク内およびネットワーク間挙動を協調する新しいコントラストモデルRCoCoを提案する。 rcocoでは、曲線対応グラフ注意ネットワーク(\kappa-$gat)を設計し、ネットワーク上のリッチ曲率によって曲率を推定するリーマン多様体において注意機構を実行する。 その後,コミュニティの高次構造とアンカー利用者の情報伝達を探索し,グラフを拡大する多様体におけるコントラスト内およびコントラスト間損失を定式化する。 最後に、8つの実世界のデータセットに14の強いベースラインを持つ広範な実験を行い、RCoCoの有効性を示す。

関連論文リスト

• Sifting out communities in large sparse networks [2.666294200266662]
  大規模ネットワークにおけるクラスタリングの結果の質を定量化するための直感的な客観的関数を導入する。 この領域に特に適したコミュニティを特定するために,2段階の手法を用いる。 数万のノードからなる大規模ネットワークにおける複雑な遺伝的相互作用を同定する。
  論文  参考訳（メタデータ） (2024-05-01T18:57:41Z)
• Hierarchical Information Enhancement Network for Cascade Prediction in Social Networks [51.54002032659713]
  カスケード予測のための階層型情報拡張ネットワーク(HIENet)を提案する。 本手法では,基本カスケードシーケンス,ユーザソーシャルグラフ,サブカスケードグラフを統合フレームワークに統合する。
  論文  参考訳（メタデータ） (2024-03-22T14:57:27Z)
• Contrastive Sequential Interaction Network Learning on Co-Evolving Riemannian Spaces [44.175106851212874]
  本稿では,Riemann空間を共進化させるCSINCEREにおける逐次相互作用ネットワーク学習のための新しいコントラストモデルを提案する。 CSINCEREでは、表現空間を横断するメッセージパッシングのためのクロススペースアグリゲーションを定式化する。 また、時間とともに空間の進化をモデル化するためのリッチ曲率に基づくニューラル曲率推定器を設計する。
  論文  参考訳（メタデータ） (2024-01-02T15:19:01Z)
• SINCERE: Sequential Interaction Networks representation learning on Co-Evolving RiEmannian manifolds [9.710773626459718]
  SINCEREは、共進化リーマン多様体上の逐次相互作用ネットワークを表す新しい方法である。 ユーザーとアイテムをそれぞれの空間に埋め込んだ軌跡を考慮に入れ、時間とともに曲率がどのように変化するかという空間の進化を強調する。 いくつかの実世界のデータセットの実験は、最先端のシーケンシャル相互作用予測法に対してSINCEREの有望な性能を示す。
  論文  参考訳（メタデータ） (2023-05-06T00:38:29Z)
• CS-MLGCN : Multiplex Graph Convolutional Networks for Community Search in Multiplex Networks [0.0]
  本稿では,マルチプレクサネットワークにおけるクエリ駆動グラフ畳み込みネットワークCS-MLGCNを提案する。 地道なコミュニティを持つ実世界のグラフの実験は、得られるソリューションの品質を検証する。
  論文  参考訳（メタデータ） (2022-10-17T07:47:19Z)
• Cross-Network Social User Embedding with Hybrid Differential Privacy Guarantees [81.6471440778355]
  プライバシー保護方式でユーザを包括的に表現するために,ネットワーク横断型ソーシャルユーザ埋め込みフレームワークDP-CroSUEを提案する。 特に、各異種ソーシャルネットワークに対して、異種データ型に対するプライバシー期待の変化を捉えるために、まずハイブリッドな差分プライバシーの概念を導入する。 ユーザ埋め込みをさらに強化するため、新しいネットワーク間GCN埋め込みモデルは、それらの整列したユーザを介して、ネットワーク間で知識を伝達するように設計されている。
  論文  参考訳（メタデータ） (2022-09-04T06:22:37Z)
• A Comprehensive Survey on Community Detection with Deep Learning [93.40332347374712]
  コミュニティは、ネットワーク内の他のコミュニティと異なるメンバーの特徴と接続を明らかにする。 この調査は、最先端の手法の様々なカテゴリをカバーする新しい分類法を考案し、提案する。 ディープニューラルネットワーク(Deep Neural Network)は、畳み込みネットワーク(convolutional network)、グラフアテンションネットワーク( graph attention network)、生成的敵ネットワーク(generative adversarial network)、オートエンコーダ(autoencoder)に分けられる。
  論文  参考訳（メタデータ） (2021-05-26T14:37:07Z)
• A Survey of Community Detection Approaches: From Statistical Modeling to Deep Learning [95.27249880156256]
  ネットワークコミュニティファイリング手法の統一アーキテクチャを開発し,提案する。 既存の手法を確率的グラフィカルモデルとディープラーニングという2つのカテゴリに分けた新しい分類法を提案する。 フィールドの課題の議論と今後の研究の方向性の提案を締めくくります。
  論文  参考訳（メタデータ） (2021-01-03T02:32:45Z)
• Learning Connectivity of Neural Networks from a Topological Perspective [80.35103711638548]
  本稿では,ネットワークを解析のための完全なグラフに表現するためのトポロジ的視点を提案する。 接続の規模を反映したエッジに学習可能なパラメータを割り当てることにより、学習プロセスを異なる方法で行うことができる。 この学習プロセスは既存のネットワークと互換性があり、より大きな検索空間と異なるタスクへの適応性を持っている。
  論文  参考訳（メタデータ） (2020-08-19T04:53:31Z)
• Heuristics for Link Prediction in Multiplex Networks [15.637077180633735]
  マルチプレックスネットワークリンク予測のための新しいフレームワークと3つのファミリーを提案する。 提案手法は, 接続型相関構造のリッチさにより性能が向上し, 単一の接続型を持つ通常のネットワークにおいて, ベースラインを著しく上回っていることを示す。
  論文  参考訳（メタデータ） (2020-04-09T17:36:18Z)
• Cascaded Human-Object Interaction Recognition [175.60439054047043]
  マルチステージで粗大なHOI理解のためのカスケードアーキテクチャを提案する。 各段階で、インスタンスローカライゼーションネットワークは、HOI提案を段階的に洗練し、インタラクション認識ネットワークにフィードする。 慎重に設計された人間中心の関係機能により、これらの2つのモジュールは効果的な相互作用理解に向けて協調的に機能する。
  論文  参考訳（メタデータ） (2020-03-09T17:05:04Z)

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。