論文の概要: HACD: Harnessing Attribute Semantics and Mesoscopic Structure for Community Detection

• arxiv url: http://arxiv.org/abs/2411.01947v1
• Date: Mon, 04 Nov 2024 10:16:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-05 14:49:04.581131
• Title: HACD: Harnessing Attribute Semantics and Mesoscopic Structure for Community Detection
• Title（参考訳）: HACD:コミュニティ検出のための属性解析とメソスコピック構造
• Authors: Anran Zhang, Xingfen Wang, Yuhan Zhao,
• Abstract要約: コミュニティ検出は、密接に結びついた部分グラフを明らかにする上で重要な役割を果たす。 従来,ネットワークトポロジと属性情報を属性付きコミュニティ検出に有効活用してきた。 ヘテロジニアスグラフアテンションネットワークに基づく新しい属性付きコミュニティ検出モデルであるHACDを提案する。
• 参考スコア（独自算出の注目度）: 3.389327931408283
• License:
• Abstract: Community detection plays a pivotal role in uncovering closely connected subgraphs, aiding various real-world applications such as recommendation systems and anomaly detection. With the surge of rich information available for entities in real-world networks, the community detection problem in attributed networks has attracted widespread attention. While previous research has effectively leveraged network topology and attribute information for attributed community detection, these methods overlook two critical issues: (i) the semantic similarity between node attributes within the community, and (ii) the inherent mesoscopic structure, which differs from the pairwise connections of the micro-structure. To address these limitations, we propose HACD, a novel attributed community detection model based on heterogeneous graph attention networks. HACD treats node attributes as another type of node, constructs attributed networks into heterogeneous graph structures and employs attribute-level attention mechanisms to capture semantic similarity. Furthermore, HACD introduces a community membership function to explore mesoscopic community structures, enhancing the robustness of detected communities. Extensive experiments demonstrate the effectiveness and efficiency of HACD, outperforming state-of-the-art methods in attributed community detection tasks. Our code is publicly available at https://github.com/Anniran1/HACD1-wsdm.
• Abstract（参考訳）: コミュニティ検出は、密接に接続されたサブグラフを明らかにする上で重要な役割を担い、レコメンデーションシステムや異常検出といった様々な現実世界の応用を支援する。 実世界のネットワークで利用可能なリッチな情報の増加に伴い、属性付きネットワークにおけるコミュニティ検出問題に注目が集まっている。 これまでの研究では、ネットワークトポロジと属性情報を属性付きコミュニティ検出に効果的に活用してきたが、これらの手法は2つの重要な問題を見落としている。 一 コミュニティ内のノード属性間の意味的類似性及び (II) ミクロ構造の相互結合とは異なる固有のメソスコピック構造。 これらの制約に対処するため、異種グラフアテンションネットワークに基づく新しい属性付きコミュニティ検出モデルHACDを提案する。 HACDはノード属性を別のタイプのノードとして扱い、属性付きネットワークを異質なグラフ構造に構成し、属性レベルの注意機構を用いて意味的類似性を捉える。 さらに、HACDは、メソスコピックなコミュニティ構造を探索するコミュニティメンバシップ機能を導入し、検出されたコミュニティの堅牢性を高める。 HACDの有効性と効率を総合実験により明らかにし, 属性付きコミュニティ検出タスクにおける最先端の手法よりも優れていた。 私たちのコードはhttps://github.com/Anniran1/HACD1-wsdm.comで公開されています。

関連論文リスト

• Higher-order Structure Based Anomaly Detection on Attributed Networks [25.94747823510297]
  本稿では,高次構造に基づく異常検出(GUIDE)手法を提案する。 我々は属性オートエンコーダと構造オートエンコーダを利用してノード属性と高階構造を再構成する。 また、隣接ノードの重要性を評価するために、グラフ注意層を設計する。
  論文  参考訳（メタデータ） (2024-06-07T07:02:50Z)
• Unsupervised Graph Attention Autoencoder for Attributed Networks using K-means Loss [0.0]
  我々は、属性付きネットワークにおけるコミュニティ検出のための、教師なしのtextbfGraph Attention textbfAutotextbfEncoder に基づく、シンプルで効率的なクラスタリング指向モデルを提案する。 提案モデルは,ネットワークのトポロジと属性情報の両方から表現を十分に学習し,同時に2つの目的,すなわち再構築とコミュニティ発見に対処する。
  論文  参考訳（メタデータ） (2023-11-21T20:45:55Z)
• ARISE: Graph Anomaly Detection on Attributed Networks via Substructure Awareness [70.60721571429784]
  サブ構造認識(ARISE)による属性付きネットワーク上の新しいグラフ異常検出フレームワークを提案する。 ARISEは、異常を識別するグラフのサブ構造に焦点を当てている。 実験により、ARISEは最先端の属性付きネットワーク異常検出(ANAD)アルゴリズムと比較して、検出性能が大幅に向上することが示された。
  論文  参考訳（メタデータ） (2022-11-28T12:17:40Z)
• Deep Dual Support Vector Data Description for Anomaly Detection on Attributed Networks [7.299729677753102]
  本稿では,属性ネットワーク上の異常検出のための自動エンコーダ(Dual-SVDAE)に基づくディープデュアルサポートベクトルデータ記述のエンドツーエンドモデルを提案する。 具体的には、Dual-SVDAEは、構造空間におけるノードの潜在表現をそれぞれ学習する構造オートエンコーダと属性オートエンコーダから構成される。 実世界の属性ネットワークの実験では、Dual-SVDAEは一貫して最先端のネットワークを上回っている。
  論文  参考訳（メタデータ） (2021-09-01T01:21:06Z)
• QD-GCN: Query-Driven Graph Convolutional Networks for Attributed Community Search [54.42038098426504]
  QD-GCNは、ACS問題を解決するために、コミュニティ構造とノード属性を統一するエンドツーエンドフレームワークである。 本稿では、QD-GCNが既存の属性付きコミュニティ検索アルゴリズムを効率性と有効性の両方で上回ることを示す。
  論文  参考訳（メタデータ） (2021-04-08T07:52:48Z)
• Anomaly Detection on Attributed Networks via Contrastive Self-Supervised Learning [50.24174211654775]
  本論文では,アトリビュートネットワーク上の異常検出のためのコントラスト型自己監視学習フレームワークを提案する。 このフレームワークは、新しいタイプのコントラストインスタンスペアをサンプリングすることで、ネットワークデータからのローカル情報を完全に活用します。 高次元特性と局所構造から情報埋め込みを学習するグラフニューラルネットワークに基づくコントラスト学習モデルを提案する。
  論文  参考訳（メタデータ） (2021-02-27T03:17:20Z)
• On the use of local structural properties for improving the efficiency of hierarchical community detection methods [77.34726150561087]
  本研究では,階層型コミュニティ検出の効率向上のために,局所構造ネットワーク特性をプロキシとして利用する方法について検討する。 また,ネットワークプルーニングの性能への影響を,階層的コミュニティ検出をより効率的にするための補助的手法として検証する。
  論文  参考訳（メタデータ） (2020-09-15T00:16:12Z)
• AM-GCN: Adaptive Multi-channel Graph Convolutional Networks [85.0332394224503]
  グラフ畳み込みネットワーク(GCN)は,豊富な情報を持つ複雑なグラフにおいて,ノードの特徴と位相構造を最適に統合できるかどうかを検討する。 半教師付き分類(AM-GCN)のための適応型マルチチャネルグラフ畳み込みネットワークを提案する。 実験の結果,AM-GCNはノードの特徴とトポロジ的構造の両方から最も相関性の高い情報を抽出することがわかった。
  論文  参考訳（メタデータ） (2020-07-05T08:16:03Z)
• Detecting Communities in Heterogeneous Multi-Relational Networks:A Message Passing based Approach [89.19237792558687]
  コミュニティは、ソーシャルネットワーク、生物学的ネットワーク、コンピュータおよび情報ネットワークを含むネットワークの共通の特徴である。 我々は,全同種ネットワークのコミュニティを同時に検出する効率的なメッセージパッシングに基づくアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-04-06T17:36:24Z)
• AnomalyDAE: Dual autoencoder for anomaly detection on attributed networks [10.728863198129478]
  属性付きネットワーク上の異常検出は、ほとんどの参照ノードからパターンが著しく逸脱したノードを見つけることを目的としている。 デュアルオートエンコーダ(AnomalyDAE)による異常検出のためのディープジョイント表現学習フレームワークを提案する。 構造と属性の両方の観点からノードの再構成誤差を測定することで異常を検出することができる。
  論文  参考訳（メタデータ） (2020-02-10T11:32:23Z)

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。