論文の概要: Refined Graph Encoder Embedding via Self-Training and Latent Community Recovery
- arxiv url: http://arxiv.org/abs/2405.12797v1
- Date: Tue, 21 May 2024 13:48:07 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-22 13:10:09.367024
- Title: Refined Graph Encoder Embedding via Self-Training and Latent Community Recovery
- Title（参考訳）: 自己学習と潜在コミュニティリカバリによるグラフエンコーダの組込み
- Authors: Cencheng Shen, Jonathan Larson, Ha Trinh, Carey E. Priebe,
- Abstract要約: 本稿では, 線形変換, 自己学習, 隠れたコミュニティリカバリによるグラフエンコーダ埋め込みを改良し, 改良されたグラフエンコーダ埋め込み方式を提案する。
提案手法が有効な隠れコミュニティを効果的に特定できる方法と理由を実証し, 改良手順の理論的理論的根拠を提供する。
- 参考スコア（独自算出の注目度）: 16.209340214884776
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper introduces a refined graph encoder embedding method, enhancing the original graph encoder embedding using linear transformation, self-training, and hidden community recovery within observed communities. We provide the theoretical rationale for the refinement procedure, demonstrating how and why our proposed method can effectively identify useful hidden communities via stochastic block models, and how the refinement method leads to improved vertex embedding and better decision boundaries for subsequent vertex classification. The efficacy of our approach is validated through a collection of simulated and real-world graph data.
- Abstract（参考訳）: 本稿では,リニアトランスフォーメーション,自己学習,隠れたコミュニティリカバリによるグラフエンコーダの埋め込みを改良し,改良されたグラフエンコーダの埋め込み手法を提案する。
本稿では,提案手法が確率的ブロックモデルによって有用な隠れコミュニティを効果的に識別できる方法と,改良手法が頂点埋め込みの改善と,その後の頂点分類における決定境界の改善にどのように寄与するかを示す。
本手法の有効性は,シミュレーションおよび実世界のグラフデータの収集を通じて検証する。
関連論文リスト
- Preserving Node Distinctness in Graph Autoencoders via Similarity Distillation [9.395697548237333]
グラフオートエンコーダ(GAE)は、平均二乗誤差(MSE)のような距離ベースの基準に依存して入力グラフを再構築する。
単一の再構築基準にのみ依存すると 再建されたグラフの 特徴が失われる可能性がある
我々は,再構成されたグラフにおいて,必要な相違性を維持するための簡易かつ効果的な戦略を開発した。
論文 参考訳（メタデータ） (2024-06-25T12:54:35Z) - Deep Manifold Graph Auto-Encoder for Attributed Graph Embedding [51.75091298017941]
本稿では,属性付きグラフデータに対する新しいDeep Manifold (Variational) Graph Auto-Encoder (DMVGAE/DMGAE)を提案する。
提案手法は,最先端のベースラインアルゴリズムを,一般的なデータセット間でのダウンストリームタスクの差を大きく越える。
論文 参考訳（メタデータ） (2024-01-12T17:57:07Z) - CONVERT:Contrastive Graph Clustering with Reliable Augmentation [110.46658439733106]
信頼性オーグメンテーション(CONVERT)を用いたContrastiVe Graph ClustEringネットワークを提案する。
本手法では,データ拡張を可逆的パーターブ・リカバリネットワークにより処理する。
セマンティクスの信頼性をさらに保証するために、ネットワークを制約する新たなセマンティクス損失が提示される。
論文 参考訳（メタデータ） (2023-08-17T13:07:09Z) - Synergistic Graph Fusion via Encoder Embedding [16.20934021488478]
共有集合を用いたマルチグラフ埋め込みのためのグラフ融合埋め込み法を提案する。
教師あり学習の枠組みの下では,本手法は顕著で,非常に望ましい相乗効果を示す。
我々の総合シミュレーションと実データ実験は,提案手法の有効性を裏付ける説得力のある証拠を提供する。
論文 参考訳（メタデータ） (2023-03-31T13:34:35Z) - Graph Encoder Ensemble for Simultaneous Vertex Embedding and Community Detection [16.743897700396218]
本稿では, 埋め込み, コミュニティ検出, コミュニティサイズ決定のための新しい, 計算効率の良い手法を提案する。
本手法では,正規化された1ホットグラフエンコーダと階数に基づくクラスタサイズ測定を利用する。
広範にシミュレーションを行い,提案したグラフエンコーダアンサンブルアルゴリズムの優れた数値性能を示す。
論文 参考訳（メタデータ） (2023-01-18T14:49:43Z) - A Complex Network based Graph Embedding Method for Link Prediction [0.0]
本稿では,人気相似性と地域アトラクションのパラダイムに基づく新しいグラフ埋め込み手法を提案する。
実験結果から,提案手法は最先端のグラフ埋め込みアルゴリズムよりも優れていることを示す。
論文 参考訳（メタデータ） (2022-09-11T14:46:38Z) - Optimal Propagation for Graph Neural Networks [51.08426265813481]
最適グラフ構造を学習するための二段階最適化手法を提案する。
また、時間的複雑さをさらに軽減するために、低ランク近似モデルについても検討する。
論文 参考訳（メタデータ） (2022-05-06T03:37:00Z) - Learning Graph Regularisation for Guided Super-Resolution [77.7568596501908]
誘導超解像のための新しい定式化を導入する。
そのコアは、学習親和性グラフ上で動作する微分可能な最適化層である。
提案手法をいくつかのデータセット上で広範囲に評価し, 定量的な再構成誤差の点から最近のベースラインを一貫して上回っている。
論文 参考訳（メタデータ） (2022-03-27T13:12:18Z) - Bayesian Graph Contrastive Learning [55.36652660268726]
本稿では,ランダムな拡張がエンコーダにつながることを示すグラフコントラスト学習手法の新たな視点を提案する。
提案手法は,各ノードを決定論的ベクトルに埋め込む既存の手法とは対照的に,各ノードを潜在空間の分布で表現する。
いくつかのベンチマークデータセットにおける既存の最先端手法と比較して,性能が大幅に向上したことを示す。
論文 参考訳（メタデータ） (2021-12-15T01:45:32Z) - Multilayer Graph Clustering with Optimized Node Embedding [70.1053472751897]
多層グラフクラスタリングは、グラフノードをカテゴリまたはコミュニティに分割することを目指しています。
与えられた多層グラフの層をクラスタリングに親しみやすい埋め込みを提案する。
実験の結果,本手法は著しい改善をもたらすことがわかった。
論文 参考訳（メタデータ） (2021-03-30T17:36:40Z)
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。