論文の概要: Identify Critical Nodes in Complex Network with Large Language Models

• arxiv url: http://arxiv.org/abs/2403.03962v1
• Date: Fri, 1 Mar 2024 14:23:26 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-08 20:29:59.471248
• Title: Identify Critical Nodes in Complex Network with Large Language Models
• Title（参考訳）: 大規模言語モデルを用いた複雑ネットワークにおける臨界ノードの同定
• Authors: Jinzhu Mao, Dongyun Zou, Li Sheng, Siyi Liu, Chen Gao, Yue Wang, Yong Li
• Abstract要約: 大規模言語モデル(LLM)を用いた進化的アルゴリズムによる「スコアノード」と呼ばれる関数生成手法を提案する。 多様な効率的なノードスコアリング関数を一貫して、秩序的に生成することができる。
• 参考スコア（独自算出の注目度）: 25.491180589816988
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Identifying critical nodes in networks is a classical decision-making task, and many methods struggle to strike a balance between adaptability and utility. Therefore, we propose an approach that empowers Evolutionary Algorithm (EA) with Large Language Models (LLMs), to generate a function called "score\_nodes" which can further be used to identify crucial nodes based on their assigned scores. Our model consists of three main components: Manual Initialization, Population Management, and LLMs-based Evolution. It evolves from initial populations with a set of designed node scoring functions created manually. LLMs leverage their strong contextual understanding and rich programming skills to perform crossover and mutation operations on the individuals, generating excellent new functions. These functions are then categorized, ranked, and eliminated to ensure the stable development of the populations while preserving diversity. Extensive experiments demonstrate the excellent performance of our method, showcasing its strong generalization ability compared to other state-of-the-art algorithms. It can consistently and orderly generate diverse and efficient node scoring functions. All source codes and models that can reproduce all results in this work are publicly available at this link: \url{https://anonymous.4open.science/r/LLM4CN-6520}
• Abstract（参考訳）: ネットワークにおけるクリティカルノードの特定は古典的な意思決定課題であり、多くの手法が適応性とユーティリティのバランスをとるのに苦労している。 そこで本研究では,大規模言語モデル (llms) を用いた進化的アルゴリズム (ea) に対して,与えられたスコアに基づいて重要なノードを識別する "score\_nodes" という関数を生成する手法を提案する。 本モデルは,手動初期化,人口管理,LLMに基づく進化の3つの主要コンポーネントから構成される。 初期個体群から進化し、手動で作成された一連のノードスコアリング機能を持つ。 LLMは、強い文脈理解と豊かなプログラミングスキルを活用して、個人に対してクロスオーバーおよび突然変異操作を行い、優れた新機能を生み出す。 これらの機能は次に分類され、ランク付けされ、多様性を維持しながら人口の安定的な発展を保証するために排除される。 本手法の優れた性能を実証し,他の最先端アルゴリズムと比較して高い一般化能力を示す。 多様な効率的なノードスコアリング関数を一貫して、秩序的に生成することができる。 この作業で全ての結果を再現できるすべてのソースコードとモデルは、このリンクで公開されている。

関連論文リスト

• The Heterophilic Snowflake Hypothesis: Training and Empowering GNNs for Heterophilic Graphs [59.03660013787925]
  ヘテロフィリー・スノーフレーク仮説を導入し、ヘテロ親和性グラフの研究をガイドし、促進するための効果的なソリューションを提供する。 観察の結果,我々のフレームワークは多種多様なタスクのための多目的演算子として機能することがわかった。 さまざまなGNNフレームワークに統合することができ、パフォーマンスを詳細に向上し、最適なネットワーク深さを選択するための説明可能なアプローチを提供する。
  論文  参考訳（メタデータ） (2024-06-18T12:16:00Z)
• Cluster-based Graph Collaborative Filtering [55.929052969825825]
  グラフ畳み込みネットワーク(GCN)は、レコメンデーションシステムのためのユーザおよびアイテム表現の学習に成功している。 既存のGCNベースのほとんどのメソッドは、高階グラフ畳み込みを実行しながら、ユーザの複数の関心事を見落としている。 クラスタベースグラフ協調フィルタリング(ClusterGCF)と呼ばれる新しいGCNベースのレコメンデーションモデルを提案する。
  論文  参考訳（メタデータ） (2024-04-16T07:05:16Z)
• Long-tail Augmented Graph Contrastive Learning for Recommendation [16.114255092924488]
  本稿では,Long-tail Augmented Graph Contrastive Learning (LAGCL)法を提案する。 具体的には、予測された隣接情報を補うことで、尾ノードを強化するための学習可能な長尾拡張手法を提案する。 3つのベンチマークデータセットで行った実験は、我々のモデルの性能を大幅に改善したことを示している。
  論文  参考訳（メタデータ） (2023-09-20T09:57:20Z)
• On Exploring Node-feature and Graph-structure Diversities for Node Drop Graph Pooling [86.65151066870739]
  現在のノードドロッププーリング法は、ノードの特徴やグラフ構造の観点からグラフの多様性を無視し、結果としてグラフレベル以下の表現をもたらす。 そこで本稿では,textiti.fltextbfIpscore と textbfDropscore の2つの操作を持つ textbfMulti スコア空間からなる MID を新たに提案する。 具体的には、多次元スコア空間は、複数の基準を通してノードの重要さを描いており、フリップスコアは異種ノードの維持を奨励している。
  論文  参考訳（メタデータ） (2023-06-22T08:02:01Z)
• Neural-prior stochastic block model [0.0]
  我々は,コミュニティを,逆ではなくノード属性によって決定されるものとしてモデル化することを提案する。 本稿では,信念伝播と近似メッセージパッシングを組み合わせた統計物理に基づくアルゴリズムを提案する。 提案したモデルとアルゴリズムは理論とアルゴリズムのベンチマークとして利用できる。
  論文  参考訳（メタデータ） (2023-03-17T14:14:54Z)
• STERLING: Synergistic Representation Learning on Bipartite Graphs [78.86064828220613]
  二部グラフ表現学習の基本的な課題は、ノードの埋め込みを抽出する方法である。 最近の二部グラフSSL法は、正ノード対と負ノード対を識別することによって埋め込みを学習する対照的な学習に基づいている。 負のノードペアを持たないノード埋め込みを学習するための新しい相乗的表現学習モデル(STERling)を提案する。
  論文  参考訳（メタデータ） (2023-01-25T03:21:42Z)
• CatGCN: Graph Convolutional Networks with Categorical Node Features [99.555850712725]
  CatGCNはグラフ学習に適したノード機能である。 エンドツーエンドでCatGCNを訓練し、半教師付きノード分類でそれを実証する。
  論文  参考訳（メタデータ） (2020-09-11T09:25:17Z)
• Towards Deeper Graph Neural Networks with Differentiable Group Normalization [61.20639338417576]
  グラフニューラルネットワーク(GNN)は、隣接するノードを集約することでノードの表現を学習する。 オーバースムーシングは、レイヤーの数が増えるにつれてGNNのパフォーマンスが制限される重要な問題のひとつです。 2つのオーバースムースなメトリクスと新しいテクニック、すなわち微分可能群正規化(DGN)を導入する。
  論文  参考訳（メタデータ） (2020-06-12T07:18:02Z)
• Online Sequential Extreme Learning Machines: Features Combined From Hundreds of Midlayers [0.0]
  本稿では階層型オンラインシーケンシャル学習アルゴリズム(H-OS-ELM)を提案する。 アルゴリズムは、一定のブロックサイズまたは異なるブロックサイズでチャンクごとにチャンクを学習することができる。
  論文  参考訳（メタデータ） (2020-06-12T00:50:04Z)

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。