論文の概要: PieClam: A Universal Graph Autoencoder Based on Overlapping Inclusive and Exclusive Communities
- arxiv url: http://arxiv.org/abs/2409.11618v1
- Date: Wed, 18 Sep 2024 00:49:42 GMT
- ステータス: 処理完了
- システム内更新日: 2024-09-19 19:39:45.280876
- Title: PieClam: A Universal Graph Autoencoder Based on Overlapping Inclusive and Exclusive Communities
- Title（参考訳）: PieClam: 重複する排他的コミュニティに基づくユニバーサルグラフ自動エンコーダ
- Authors: Daniel Zilberg, Ron Levie,
- Abstract要約: PieClamはグラフオートエンコーダで、任意のグラフを重複した一般化されたコミュニティとして表現する。
ここでは、PieClamは普遍的なオートエンコーダであり、任意のグラフを一様に再構築できることを示す。
- 参考スコア（独自算出の注目度）: 7.130067003076749
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We propose PieClam (Prior Inclusive Exclusive Cluster Affiliation Model): a probabilistic graph model for representing any graph as overlapping generalized communities. Our method can be interpreted as a graph autoencoder: nodes are embedded into a code space by an algorithm that maximizes the log-likelihood of the decoded graph, given the input graph. PieClam is a community affiliation model that extends well-known methods like BigClam in two main manners. First, instead of the decoder being defined via pairwise interactions between the nodes in the code space, we also incorporate a learned prior on the distribution of nodes in the code space, turning our method into a graph generative model. Secondly, we generalize the notion of communities by allowing not only sets of nodes with strong connectivity, which we call inclusive communities, but also sets of nodes with strong disconnection, which we call exclusive communities. To model both types of communities, we propose a new type of decoder based the Lorentz inner product, which we prove to be much more expressive than standard decoders based on standard inner products or norm distances. By introducing a new graph similarity measure, that we call the log cut distance, we show that PieClam is a universal autoencoder, able to uniformly approximately reconstruct any graph. Our method is shown to obtain competitive performance in graph anomaly detection benchmarks.
- Abstract（参考訳）: そこで我々はPieClam (Prior Inclusive Exclusive Cluster Affiliation Model):任意のグラフを重なり合う一般化されたコミュニティとして表現するための確率的グラフモデルを提案する。
本手法はグラフオートエンコーダとして解釈できる:ノードをコード空間に埋め込むアルゴリズムにより、入力グラフを考慮すれば、デコードされたグラフのログ類似度を最大化する。
PieClamは、BigClamのような有名なメソッドを2つの主要な方法で拡張するコミュニティアフィリエイトモデルである。
まず、デコーダをコード空間内のノード間のペアワイズ相互作用によって定義するのではなく、コード空間内のノードの分布について学習した事前情報を組み込んで、メソッドをグラフ生成モデルに変換する。
第2に,強い接続性を持つノードの集合を包括的コミュニティと呼ぶだけでなく,排他的コミュニティと呼ばれる強い接続性を持つノードの集合を許容することで,コミュニティの概念を一般化する。
両タイプのコミュニティをモデル化するために,ローレンツ内積に基づく新しいタイプのデコーダを提案する。
ログカット距離と呼ばれる新しいグラフ類似度尺度を導入することにより、PieClamは普遍的なオートエンコーダであり、任意のグラフを一様に再構築することができることを示す。
本手法は,グラフ異常検出ベンチマークにおいて競合性能が得られることを示す。
関連論文リスト
- GRAND : Graph Reconstruction from potential partial Adjacency and Neighborhood Data [4.893653298798788]
セキュアなマルチパーティ計算のような暗号手法は、各参加者のデータに集中することなく、分散グラフの機能のセキュアな計算に使用できる。
本稿では,グラフの隣接行列を再構成する手法を提案する。
共役行列のみを観測する2つの逆数モデルと、元のグラフの部分的知識を持つ知識のある2つのモデルを考える。
論文 参考訳（メタデータ） (2024-12-03T09:42:28Z) - Gramformer: Learning Crowd Counting via Graph-Modulated Transformer [68.26599222077466]
Gramformerはグラフ変調変換器で、それぞれ注意点と入力ノードの特徴を調整してネットワークを強化する。
ノードの集中位置や重要性を発見するために,特徴に基づく符号化を提案する。
提案手法の競争性を検証した4つの挑戦的群集カウントデータセットの実験を行った。
論文 参考訳（メタデータ） (2024-01-08T13:01:54Z) - Curvature-based Clustering on Graphs [14.136746708037402]
グラフの幾何学を利用して、クラスタやコミュニティを形成する密接な連結部分構造を同定するアルゴリズムについて研究する。
本手法は, 離散リッチ曲率とそのそれに付随する幾何フローを実装し, グラフのエッジ重みを進化させて, そのコミュニティ構造を明らかにする。
論文 参考訳（メタデータ） (2023-07-19T17:35:08Z) - HiGen: Hierarchical Graph Generative Networks [2.3931689873603603]
ほとんどの実世界のグラフは階層構造を示しており、しばしば既存のグラフ生成法で見過ごされる。
本稿では,グラフの階層的な性質を捉え,グラフのサブ構造を粗い方法で連続的に生成するグラフ生成ネットワークを提案する。
このモジュラーアプローチは、大規模で複雑なグラフに対してスケーラブルなグラフ生成を可能にする。
論文 参考訳（メタデータ） (2023-05-30T18:04:12Z) - Graph Communal Contrastive Learning [34.85906025283825]
グラフ表現学習の基本的な問題は、人間のラベル付けなしで表現を効果的に学習する方法である。
本稿では,コミュニティ分割を共同で学習し,ノード表現を学習するグラフコントラスト学習(gCooL)フレームワークを提案する。
論文 参考訳（メタデータ） (2021-10-28T02:57:54Z) - Explicit Pairwise Factorized Graph Neural Network for Semi-Supervised
Node Classification [59.06717774425588]
本稿では,グラフ全体を部分的に観測されたマルコフ確率場としてモデル化するEPFGNN(Explicit Pairwise Factorized Graph Neural Network)を提案する。
出力-出力関係をモデル化するための明示的なペアワイズ要素を含み、入力-出力関係をモデル化するためにGNNバックボーンを使用する。
本研究では,グラフ上での半教師付きノード分類の性能を効果的に向上できることを示す。
論文 参考訳（メタデータ） (2021-07-27T19:47:53Z) - A Robust and Generalized Framework for Adversarial Graph Embedding [73.37228022428663]
本稿では,AGE という逆グラフ埋め込みのための頑健なフレームワークを提案する。
AGEは、暗黙の分布から強化された負のサンプルとして偽の隣接ノードを生成する。
本フレームワークでは,3種類のグラフデータを扱う3つのモデルを提案する。
論文 参考訳（メタデータ） (2021-05-22T07:05:48Z) - Factorizable Graph Convolutional Networks [90.59836684458905]
本稿では,グラフに符号化された相互に絡み合った関係を明示的に解消する新しいグラフ畳み込みネットワーク(GCN)を提案する。
FactorGCNは単純なグラフを入力として取り、それをいくつかの分解グラフに分解する。
提案したFacterGCNは,合成および実世界のデータセットに対して質的かつ定量的に評価する。
論文 参考訳（メタデータ） (2020-10-12T03:01:40Z) - Modeling Graph Structure via Relative Position for Text Generation from
Knowledge Graphs [54.176285420428776]
グラフ-テキスト生成のための新しいトランスフォーマーベースのエンコーダデコーダアーキテクチャであるGraformerを提案する。
新たなグラフの自己アテンションでは、ノードのエンコーディングは入力グラフのすべてのノードに依存します。
グレーフォーマーは、これらのノード-ノードの関係を異なるアテンションヘッドに対して異なる重み付けを学習し、入力グラフの異なる連結ビューを仮想的に学習する。
論文 参考訳（メタデータ） (2020-06-16T15:20:04Z) - Auto-decoding Graphs [91.3755431537592]
生成モデルは、潜在コードからグラフを合成することを学ぶ自動デコーダである。
グラフは、おそらく接続パターンを特定するためにトレーニングされた自己アテンションモジュールを使用して合成される。
論文 参考訳（メタデータ） (2020-06-04T14:23:01Z)
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。