論文の概要: Scalable Weibull Graph Attention Autoencoder for Modeling Document Networks

• arxiv url: http://arxiv.org/abs/2410.09696v1
• Date: Sun, 13 Oct 2024 02:22:14 GMT
• ステータス: 処理完了
• システム内更新日: 2024-10-30 08:36:49.254225
• Title: Scalable Weibull Graph Attention Autoencoder for Modeling Document Networks
• Title（参考訳）: 文書ネットワークモデリングのためのスケーラブルワイブルグラフアテンションオートエンコーダ
• Authors: Chaojie Wang, Xinyang Liu, Dongsheng Wang, Hao Zhang, Bo Chen, Mingyuan Zhou,
• Abstract要約: 解析条件後部を解析し,推論精度を向上させるグラフポアソン因子分析法(GPFA)を開発した。 また,GPFAを多層構造に拡張したグラフPoisson gamma belief Network (GPGBN) を用いて,階層的な文書関係を複数の意味レベルで捉える。 本モデルでは,高品質な階層型文書表現を抽出し,様々なグラフ解析タスクにおいて有望な性能を実現する。
• 参考スコア（独自算出の注目度）: 50.42343781348247
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Although existing variational graph autoencoders (VGAEs) have been widely used for modeling and generating graph-structured data, most of them are still not flexible enough to approximate the sparse and skewed latent node representations, especially those of document relational networks (DRNs) with discrete observations. To analyze a collection of interconnected documents, a typical branch of Bayesian models, specifically relational topic models (RTMs), has proven their efficacy in describing both link structures and document contents of DRNs, which motives us to incorporate RTMs with existing VGAEs to alleviate their potential issues when modeling the generation of DRNs. In this paper, moving beyond the sophisticated approximate assumptions of traditional RTMs, we develop a graph Poisson factor analysis (GPFA), which provides analytic conditional posteriors to improve the inference accuracy, and extend GPFA to a multi-stochastic-layer version named graph Poisson gamma belief network (GPGBN) to capture the hierarchical document relationships at multiple semantic levels. Then, taking GPGBN as the decoder, we combine it with various Weibull-based graph inference networks, resulting in two variants of Weibull graph auto-encoder (WGAE), equipped with model inference algorithms. Experimental results demonstrate that our models can extract high-quality hierarchical latent document representations and achieve promising performance on various graph analytic tasks.
• Abstract（参考訳）: 既存の変分グラフオートエンコーダ(VGAE)は、グラフ構造化データのモデリングと生成に広く用いられているが、そのほとんどは、スパースおよびスキュートノード表現、特にドキュメントリレーショナルネットワーク(DRN)を離散的な観測で近似するのに十分な柔軟性を持っていない。 相互接続された文書の集合を解析するために、ベイズモデルの典型的な分岐、特に関係トピックモデル(RTM)は、DRNのリンク構造と文書内容の両方を記述する上で有効であることが証明されており、DRNの生成をモデル化する際の潜在的な問題を緩和するために、既存のVGAEにRTMを組み込むことが動機となっている。 本稿では,従来の RTM の近似的仮定を超越して,解析的条件付き後続情報を提供するグラフPoisson Factor Analysis (GPFA) を開発し,GPFA を複数の意味レベルで階層的な文書関係を捉えるためのグラフPoisson gamma belief Network (GPGBN) と呼ばれるマルチ確率層に拡張する。 そして,GPGBNをデコーダとし,様々なワイブルグラフ推論ネットワークと組み合わせ,モデル推論アルゴリズムを備えたワイブルグラフオートエンコーダ(WGAE)の2つの変種が得られる。 実験結果から,我々のモデルは高品質な階層型文書表現を抽出し,様々なグラフ解析タスクにおいて有望な性能を実現することができることが示された。

関連論文リスト

• Signed Graph Autoencoder for Explainable and Polarization-Aware Network Embeddings [20.77134976354226]
  署名付きネットワーク用に設計されたSGAAE(Signed Graph Archetypal Autoencoder)フレームワーク。 SGAAEは、異なる極端プロファイル上でノードメンバシップを表現するノードレベル表現を抽出する。 モデルは、実世界の4つのデータセット間で署名付きリンク予測の異なるタスクで高いパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2024-09-16T16:40:40Z)
• Graph Neural Re-Ranking via Corpus Graph [12.309841763251406]
  Graph Neural Re-Ranking(GNRR)は、グラフニューラルネットワーク(GNN)に基づくパイプラインで、推論中に各クエリがドキュメントの分散を考慮できるようにする。 我々は、GNNが文書間の相互作用を効果的に捉え、人気のあるランキング指標の性能を向上させることを実証した。
  論文  参考訳（メタデータ） (2024-06-17T16:38:19Z)
• Network Intrusion Detection with Edge-Directed Graph Multi-Head Attention Networks [13.446986347747325]
  本稿では,ネットワーク侵入検出のためのエッジ指向グラフマルチヘッドアテンションネットワーク(EDGMAT)を提案する。 EDGMATモデルでは,侵入検知モデルにマルチヘッドアテンション機構を導入し,マルチヘッドアテンション機構とエッジ特徴を組み合わせた付加的な重み学習を実現する。
  論文  参考訳（メタデータ） (2023-10-26T12:30:11Z)
• Challenging the Myth of Graph Collaborative Filtering: a Reasoned and Reproducibility-driven Analysis [50.972595036856035]
  本稿では,6つの人気グラフと最近のグラフ推薦モデルの結果を再現するコードを提案する。 これらのグラフモデルと従来の協調フィルタリングモデルを比較する。 ユーザの近所からの情報フローを調べることにより,データセット構造における内在的特徴にどのようなモデルが影響するかを同定することを目的とする。
  論文  参考訳（メタデータ） (2023-08-01T09:31:44Z)
• GrannGAN: Graph annotation generative adversarial networks [72.66289932625742]
  本稿では,高次元分布をモデル化し,グラフスケルトンと整合した複雑な関係特徴構造を持つデータの新しい例を生成することの問題点を考察する。 提案するモデルは,タスクを2つのフェーズに分割することで,各データポイントのグラフ構造に制約されたデータ特徴を生成する問題に対処する。 第一に、与えられたグラフのノードに関連する機能の分布をモデル化し、第二に、ノードのフィーチャに条件付きでエッジ機能を補完する。
  論文  参考訳（メタデータ） (2022-12-01T11:49:07Z)
• Text Representation Enrichment Utilizing Graph based Approaches: Stock Market Technical Analysis Case Study [0.0]
  本稿では,教師なしノード表現学習モデルとノード分類/エッジ予測モデルを組み合わせたトランスダクティブハイブリッド手法を提案する。 提案手法は,この分野における最初の研究である株式市場の技術分析報告を分類するために開発された。
  論文  参考訳（メタデータ） (2022-11-29T11:26:08Z)
• Dynamic Graph Message Passing Networks for Visual Recognition [112.49513303433606]
  長距離依存のモデリングは、コンピュータビジョンにおけるシーン理解タスクに不可欠である。 完全連結グラフはそのようなモデリングには有益であるが、計算オーバーヘッドは禁じられている。 本稿では,計算複雑性を大幅に低減する動的グラフメッセージパッシングネットワークを提案する。
  論文  参考訳（メタデータ） (2022-09-20T14:41:37Z)
• Benchmarking Graph Neural Networks on Link Prediction [80.2049358846658]
  リンク予測のための異なるデータセット上で,既存のグラフニューラルネットワーク(GNN)モデルをベンチマークする。 実験により,これらのGNNアーキテクチャは,リンク予測タスクの様々なベンチマークでも同様に動作することを示す。
  論文  参考訳（メタデータ） (2021-02-24T20:57:16Z)
• Embedding Graph Auto-Encoder for Graph Clustering [90.8576971748142]
  グラフ自動エンコーダ(GAE)モデルは、半教師付きグラフ畳み込みネットワーク(GCN)に基づく 我々は、グラフクラスタリングのための特定のGAEベースのモデルを設計し、その理論、すなわち、埋め込みグラフオートエンコーダ(EGAE)と整合する。 EGAEは1つのエンコーダと2つのデコーダで構成される。
  論文  参考訳（メタデータ） (2020-02-20T09:53:28Z)

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。