論文の概要: Non-Euclidean Mixture Model for Social Network Embedding

• arxiv url: http://arxiv.org/abs/2411.04876v1
• Date: Thu, 07 Nov 2024 17:13:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-08 19:37:10.897882
• Title: Non-Euclidean Mixture Model for Social Network Embedding
• Title（参考訳）: ソーシャルネットワーク埋め込みのための非ユークリッド混合モデル
• Authors: Roshni G. Iyer, Yewen Wang, Wei Wang, Yizhou Sun,
• Abstract要約: ソーシャルネットワークのリンクは、ホモフィリーか社会的影響のどちらかによって形成されているという意見は概ね一致している。 リンク生成を2つの要因の混合モデルとしてモデル化する。 さらに, 球面空間におけるホモフィリー因子と双曲空間における影響因子をモデル化し, 1) ホモフィリーがサイクルに, (2) 影響がネットワークの階層化に繋がるという事実を満たす。
• 参考スコア（独自算出の注目度）: 37.52221330246873
• License:
• Abstract: It is largely agreed that social network links are formed due to either homophily or social influence. Inspired by this, we aim at understanding the generation of links via providing a novel embedding-based graph formation model. Different from existing graph representation learning, where link generation probabilities are defined as a simple function of the corresponding node embeddings, we model the link generation as a mixture model of the two factors. In addition, we model the homophily factor in spherical space and the influence factor in hyperbolic space to accommodate the fact that (1) homophily results in cycles and (2) influence results in hierarchies in networks. We also design a special projection to align these two spaces. We call this model Non-Euclidean Mixture Model, i.e., NMM. We further integrate NMM with our non-Euclidean graph variational autoencoder (VAE) framework, NMM-GNN. NMM-GNN learns embeddings through a unified framework which uses non-Euclidean GNN encoders, non-Euclidean Gaussian priors, a non-Euclidean decoder, and a novel space unification loss component to unify distinct non-Euclidean geometric spaces. Experiments on public datasets show NMM-GNN significantly outperforms state-of-the-art baselines on social network generation and classification tasks, demonstrating its ability to better explain how the social network is formed.
• Abstract（参考訳）: ソーシャルネットワークのリンクは、ホモフィリーか社会的影響のどちらかによって形成されているという意見は概ね一致している。 そこで我々は,新しい埋め込み型グラフ生成モデルを提供することにより,リンクの生成を理解することを目指す。 既存のグラフ表現学習とは異なり、リンク生成確率は対応するノード埋め込みの単純な関数として定義され、リンク生成は2つの要素の混合モデルとしてモデル化される。 さらに, 球面空間におけるホモフィリー因子と双曲空間における影響因子をモデル化し, 1) ホモフィリーがサイクルに, (2) 影響がネットワークの階層化に繋がるという事実を満たす。 この2つの空間を整列させる特別な射影も設計する。 我々はこのモデルを非ユークリッド混合モデル(NMM)と呼ぶ。 さらに,NMMを非ユークリッドグラフ変分オートエンコーダ(VAE)フレームワークであるNMM-GNNと統合する。 NMM-GNNは、非ユークリッドGNNエンコーダ、非ユークリッドガウスプリエンコーダ、非ユークリッドデコーダ、および新しい空間統一損失成分を用いて、異なる非ユークリッド幾何学空間を統一する統合フレームワークを通して埋め込みを学習する。 公開データセットの実験では、NMM-GNNは、ソーシャルネットワークの生成と分類タスクにおける最先端のベースラインを著しく上回り、ソーシャルネットワークの形成方法を説明する能力を示している。

関連論文リスト

• Enhancing lattice kinetic schemes for fluid dynamics with Lattice-Equivariant Neural Networks [79.16635054977068]
  我々はLattice-Equivariant Neural Networks (LENNs)と呼ばれる新しい同変ニューラルネットワークのクラスを提案する。 我々の手法は、ニューラルネットワークに基づく代理モデルLattice Boltzmann衝突作用素の学習を目的とした、最近導入されたフレームワーク内で開発されている。 本研究は,実世界のシミュレーションにおける機械学習強化Lattice Boltzmann CFDの実用化に向けて展開する。
  論文  参考訳（メタデータ） (2024-05-22T17:23:15Z)
• A quatum inspired neural network for geometric modeling [14.214656118952178]
  本稿では,MPSベースのメッセージパッシング戦略を提案する。 本手法は,多体関係を効果的にモデル化し,平均場近似を抑える。 これは幾何学的GNNに固有の標準メッセージパッシングおよびレイヤ集約モジュールをシームレスに置き換える。
  論文  参考訳（メタデータ） (2024-01-03T15:59:35Z)
• A parameterised model for link prediction using node centrality and similarity measure based on graph embedding [5.507008181141738]
  リンク予測は、グラフ機械学習の重要な側面である。 ネットワークノード間で形成される可能性のある新しいリンクを予測する必要がある。 既存のモデルには重大な欠点がある。 ノードの集中度と類似度をベースとしています。 Model (NCSM) - リンク予測タスクの新しい方法。
  論文  参考訳（メタデータ） (2023-09-11T13:13:54Z)
• Wasserstein Barycenter-based Model Fusion and Linear Mode Connectivity of Neural Networks [2.191505742658975]
  ニューラルネットワーク(NN)モデル融合のための統一的な数学的枠組みを提案する。 我々のフレームワークでは、融合は階層的に発生し、ネットワーク内のノードをその前の層の関数として解釈する。 数学的フレームワークの汎用性により、幅広いNNのモデル融合と線形モード接続について話すことができる。
  論文  参考訳（メタデータ） (2022-10-13T01:58:02Z)
• A Variational Edge Partition Model for Supervised Graph Representation Learning [51.30365677476971]
  本稿では,重なり合うノード群間の相互作用を集約することで,観測されたエッジがどのように生成されるかをモデル化するグラフ生成プロセスを提案する。 それぞれのエッジを複数のコミュニティ固有の重み付きエッジの和に分割し、コミュニティ固有のGNNを定義する。 エッジを異なるコミュニティに分割するGNNベースの推論ネットワーク,これらのコミュニティ固有のGNN,およびコミュニティ固有のGNNを最終分類タスクに組み合わせたGNNベースの予測器を共同で学習するために,変分推論フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-02-07T14:37:50Z)
• Beyond Homophily in Graph Neural Networks: Current Limitations and Effective Designs [28.77753005139331]
  半教師付きノード分類タスクにおけるグラフニューラルネットワークのヘテロフィリーまたは低ホモフィリー下での表現力について検討する。 多くの人気のあるGNNは、この設定を一般化することができず、グラフ構造を無視したモデルよりも優れています。 ヘテロフィリーの下でのグラフ構造からの学習を促進する重要な設計の集合を同定する。
  論文  参考訳（メタデータ） (2020-06-20T02:05:01Z)
• Binarized Graph Neural Network [65.20589262811677]
  我々は二項化グラフニューラルネットワークを開発し、二項化ネットワークパラメータを用いてノードのバイナリ表現を学習する。 提案手法は既存のGNNベースの埋め込み手法にシームレスに統合できる。 実験により、提案された二項化グラフニューラルネットワーク、すなわちBGNは、時間と空間の両方の観点から、桁違いに効率的であることが示されている。
  論文  参考訳（メタデータ） (2020-04-19T09:43:14Z)
• PointGMM: a Neural GMM Network for Point Clouds [83.9404865744028]
  点雲は3次元形状の一般的な表現であるが、形状の先行や非局所的な情報を考慮せずに特定のサンプリングを符号化する。 本稿では,形状クラスの特徴であるhGMMの生成を学習するニューラルネットワークであるPointGMMを提案する。 生成モデルとして、PointGMMは既存の形状間の整合性を生成できる有意義な潜在空間を学習することを示す。
  論文  参考訳（メタデータ） (2020-03-30T10:34:59Z)
• Bilinear Graph Neural Network with Neighbor Interactions [106.80781016591577]
  グラフニューラルネットワーク(GNN)は,グラフデータ上で表現を学習し,予測を行う強力なモデルである。 本稿では,グラフ畳み込み演算子を提案し,隣接するノードの表現の対の相互作用で重み付け和を増大させる。 このフレームワークをBGNN(Bilinear Graph Neural Network)と呼び、隣ノード間の双方向相互作用によるGNN表現能力を向上させる。
  論文  参考訳（メタデータ） (2020-02-10T06:43:38Z)

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。