Fugu-MT 論文翻訳(概要): Multi-perspective Memory Enhanced Network for Identifying Key Nodes in Social Networks

論文の概要: Multi-perspective Memory Enhanced Network for Identifying Key Nodes in Social Networks

arxiv url: http://arxiv.org/abs/2403.15235v1
Date: Fri, 22 Mar 2024 14:29:03 GMT
ステータス: 処理完了
システム内更新日: 2024-03-25 17:09:34.208708
Title: Multi-perspective Memory Enhanced Network for Identifying Key Nodes in Social Networks
Title（参考訳）: ソーシャルネットワークにおけるキーノード識別のためのマルチパースペクティブメモリ拡張ネットワーク
Authors: Qiang Zhang, Jiawei Liu, Fanrui Zhang, Xiaoling Zhu, Zheng-Jun Zha,
Abstract要約: ソーシャルネットワークにおけるキーノードを識別する新しいマルチパースペクティブメモリ拡張ネットワーク(MMEN)を提案する。 MMENは複数の視点からキーノードをマイニングし、履歴情報を記憶するためにメモリネットワークを利用する。我々の手法は過去の方法よりも大幅に優れている。
参考スコア（独自算出の注目度）: 51.54002032659713
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Identifying key nodes in social networks plays a crucial role in timely blocking false information. Existing key node identification methods usually consider node influence only from the propagation structure perspective and have insufficient generalization ability to unknown scenarios. In this paper, we propose a novel Multi-perspective Memory Enhanced Network (MMEN) for identifying key nodes in social networks, which mines key nodes from multiple perspectives and utilizes memory networks to store historical information. Specifically, MMEN first constructs two propagation networks from the perspectives of user attributes and propagation structure and updates node feature representations using graph attention networks. Meanwhile, the memory network is employed to store information of similar subgraphs, enhancing the model's generalization performance in unknown scenarios. Finally, MMEN applies adaptive weights to combine the node influence of the two propagation networks to select the ultimate key nodes. Extensive experiments demonstrate that our method significantly outperforms previous methods.
Abstract（参考訳）: ソーシャルネットワークにおけるキーノードの特定は、偽情報をタイムリーにブロックする上で重要な役割を果たす。既存のキーノード識別手法は、通常、伝播構造の観点からのみノードの影響を考慮し、未知のシナリオに対する一般化能力が不十分である。本稿では,複数の視点からキーノードをマイニングし,メモリネットワークを用いて履歴情報を格納する,ソーシャルネットワーク内のキーノードを識別する新しいマルチパースペクティブメモリ拡張ネットワーク(MMEN)を提案する。具体的には、まず、ユーザ属性と伝搬構造の観点から2つの伝搬ネットワークを構築し、グラフアテンションネットワークを用いてノードの特徴表現を更新する。一方、メモリネットワークは類似のサブグラフの情報を保存するために使われ、未知のシナリオにおけるモデルの一般化性能を高める。最後に、MMENは2つの伝搬ネットワークのノードの影響を組み合わせるために適応重みを適用し、究極のキーノードを選択する。大規模な実験により,本手法は従来手法よりも大幅に優れていたことが実証された。

関連論文リスト

Topic-aware latent models for representation learning on networks [5.304857921982132]
本稿では,トピックベース情報を用いたランダムウォークベースアプローチにより取得したノードの埋め込みを強化する汎用フレームワークであるTNEを紹介する。提案手法はノード分類とリンク予測という2つのダウンストリームタスクで評価する。
論文参考訳（メタデータ） (2021-11-10T08:52:52Z)
Identifying Influential Nodes in Two-mode Data Networks using Formal Concept Analysis [0.0]
Bi-face (BF) は、2モードネットワークにおける重要なノードを特定するための新しい二部集中度測定である。オフ・ザ・シェルフ中心性指数とは違って、あるノードが隣り合うノードに粘着的サブ構造がどう影響するかを双斜線で定量化する。いくつかの実世界および合成ネットワークに関する実験は、既存の顕著な二分極集中度よりもBFの効率が良いことを示す。
論文参考訳（メタデータ） (2021-09-07T23:57:05Z)
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)
MUSE: Multi-faceted Attention for Signed Network Embedding [4.442695760653947]
符号付きネットワーク埋め込みは、正と負のリンクを持つ符号付きネットワークにおけるノードの低次元表現を学習するアプローチである。この問題を解決するために,MUlti-faceted attention-based Signed network Embedding フレームワーク MUSE を提案する。
論文参考訳（メタデータ） (2021-04-29T16:09:35Z)
Node2Seq: Towards Trainable Convolutions in Graph Neural Networks [59.378148590027735]
今回提案するグラフネットワーク層であるNode2Seqは,隣接ノードの重みを明示的に調整可能なノード埋め込みを学習する。対象ノードに対して,当手法は注意メカニズムを介して隣接ノードをソートし,さらに1D畳み込みニューラルネットワーク(CNN)を用いて情報集約のための明示的な重み付けを行う。また, 特徴学習のための非局所的情報を, 注意スコアに基づいて適応的に組み込むことを提案する。
論文参考訳（メタデータ） (2021-01-06T03:05:37Z)
Decoupled Variational Embedding for Signed Directed Networks [39.3449157396596]
我々は,符号付き有向ネットワークにおける一階・高階トポロジを同時にキャプチャすることで,より代表的なノード埋め込みを学習することを提案する。特に、可変自動符号化の観点から、符号付き有向ネットワーク上での表現学習問題を再構成する。広範に使われている3つの実世界のデータセットに対して大規模な実験を行う。
論文参考訳（メタデータ） (2020-08-28T02:48:15Z)
Graph Prototypical Networks for Few-shot Learning on Attributed Networks [72.31180045017835]
グラフメタ学習フレームワーク - Graph Prototypeal Networks (GPN) を提案する。 GPNは、属性付きネットワーク上でテキストミータ学習を行い、ターゲット分類タスクを扱うための高度に一般化可能なモデルを導出する。
論文参考訳（メタデータ） (2020-06-23T04:13:23Z)
Unsupervised Differentiable Multi-aspect Network Embedding [52.981277420394846]
本稿では,asp2vecと呼ばれるマルチアスペクトネットワーク埋め込みのための新しいエンドツーエンドフレームワークを提案する。提案するフレームワークは容易に異種ネットワークに拡張できる。
論文参考訳（メタデータ） (2020-06-07T19:26:20Z)
Temporal Network Representation Learning via Historical Neighborhoods Aggregation [28.397309507168128]
本稿では,EHNAアルゴリズムによる埋め込みを提案する。まず,歴史地区のノードを特定できる時間的ランダムウォークを提案する。次に,ノード埋め込みを誘導するカスタムアテンション機構を用いたディープラーニングモデルを適用する。
論文参考訳（メタデータ） (2020-03-30T04:18:48Z)
GPS-Net: Graph Property Sensing Network for Scene Graph Generation [91.60326359082408]
シーングラフ生成(SGG)は、画像内のオブジェクトとそれらのペア関係を検出することを目的としている。 GPS-Netは、エッジ方向情報、ノード間の優先度の差、長期にわたる関係の分布という、SGGの3つの特性を網羅している。 GPS-Netは、VG、OI、VRDの3つの一般的なデータベース上での最先端のパフォーマンスを、さまざまな設定とメトリクスで大幅に向上させる。
論文参考訳（メタデータ） (2020-03-29T07:22:31Z)

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。