論文の概要: Local Intrinsic Dimensionality for Dynamic Graph Embeddings

• arxiv url: http://arxiv.org/abs/2411.16145v1
• Date: Mon, 25 Nov 2024 07:11:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-26 14:19:34.576773
• Title: Local Intrinsic Dimensionality for Dynamic Graph Embeddings
• Title（参考訳）: 動的グラフ埋め込みのための局所固有次元
• Authors: Dušica Knežević, Miloš Savić, Miloš Radovanović,
• Abstract要約: 局所内在的次元性(LID)は、データマイニングと機械学習の分野において重要な理論的意味と実践的応用を持っている。 近年の研究では,グラフに対して定義されたLID尺度が,ランダムウォークに基づくグラフ表現学習法を改善することが示唆されている。 本稿では,静的グラフのための LID 尺度である NC-LID を動的ネットワークに適用する方法について論じる。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: The notion of local intrinsic dimensionality (LID) has important theoretical implications and practical applications in the fields of data mining and machine learning. Recent research efforts indicate that LID measures defined for graphs can improve graph representational learning methods based on random walks. In this paper, we discuss how NC-LID, a LID measure designed for static graphs, can be adapted for dynamic networks. Focusing on dynnode2vec as the most representative dynamic graph embedding method based on random walks, we examine correlations between NC-LID and the intrinsic quality of 10 real-world dynamic network embeddings. The obtained results show that NC-LID can be used as a good indicator of nodes whose embedding vectors do not tend to preserve temporal graph structure well. Thus, our empirical findings constitute the first step towards LID-aware dynamic graph embedding methods.
• Abstract（参考訳）: 局所内在的次元性(LID)の概念は、データマイニングと機械学習の分野において重要な理論的意味と実践的応用をもたらす。 近年の研究では,グラフに対して定義されたLID尺度が,ランダムウォークに基づくグラフ表現学習法を改善することが示唆されている。 本稿では,静的グラフのための LID 尺度である NC-LID を動的ネットワークに適用する方法について論じる。 ランダムウォークに基づく最も代表的な動的グラフ埋め込み手法としてdynnode2vecに着目し, NC-LIDと10実世界の動的ネットワーク埋め込みの内在的品質の相関について検討した。 その結果、NC-LIDは、埋め込みベクトルが時間グラフ構造をよく保存しないノードのよい指標として利用できることを示した。 そこで本研究では, LID対応動的グラフ埋め込み法への第一歩として, 実験結果について述べる。

関連論文リスト

• Information propagation dynamics in Deep Graph Networks [1.8130068086063336]
  Deep Graph Networks(DGN)は、構造化情報の処理と学習が可能なディープラーニングモデルのファミリとして登場した。 この論文は、静的グラフと動的グラフのためのDGNの内部の情報伝達のダイナミクスを考察し、動的システムとしての設計に焦点をあてる。
  論文  参考訳（メタデータ） (2024-10-14T12:55:51Z)
• Dynamic and Textual Graph Generation Via Large-Scale LLM-based Agent Simulation [70.60461609393779]
  GraphAgent-Generator (GAG) は動的グラフ生成のための新しいシミュレーションベースのフレームワークである。 本フレームワークは,確立されたネットワーク科学理論において,7つのマクロレベルの構造特性を効果的に再現する。 最大10万近いノードと1000万のエッジを持つグラフの生成をサポートし、最低速度は90.4%である。
  論文  参考訳（メタデータ） (2024-10-13T12:57:08Z)
• When Graph Neural Networks Meet Dynamic Mode Decomposition [34.16727363891593]
  DMDアルゴリズムによって提供される低ランク固有関数を効果的に活用するMDD-GNNモデル群を紹介する。 我々の研究は、GNNを通して高度な動的システム解析ツールを適用するための道筋をたどっている。
  論文  参考訳（メタデータ） (2024-10-08T01:09:48Z)
• Dynamic Neural Dowker Network: Approximating Persistent Homology in Dynamic Directed Graphs [11.646514065979323]
  本稿ではDNDN(Dynamic Neural Dowker Network)について紹介する。 我々のアプローチは、実世界のデータセットに関する包括的な実験を通じて検証される。
  論文  参考訳（メタデータ） (2024-08-17T07:13:12Z)
• SIG: Efficient Self-Interpretable Graph Neural Network for Continuous-time Dynamic Graphs [34.269958289295516]
  我々は,これらの予測の因果的説明を同時に提供しながら,動的グラフ内の将来のリンクを予測することを目的としている。 これらの課題に対処するため、我々は新たな因果推論モデル、すなわち独立因果推定モデル(ICCM)を提案する。 提案手法は, リンク予測精度, 説明精度, 特徴量に対するロバスト性など, 既存の手法よりも優れていた。
  論文  参考訳（メタデータ） (2024-05-29T13:09:33Z)
• Gradient Transformation: Towards Efficient and Model-Agnostic Unlearning for Dynamic Graph Neural Networks [66.70786325911124]
  グラフアンラーニングは、ユーザのプライバシ保護と、望ましくないデータによるネガティブな影響軽減に不可欠なツールとして登場した。 DGNNの普及に伴い、動的グラフアンラーニングの実装を検討することが不可欠となる。 DGNNアンラーニングを実装するために,効率的,効率的,モデルに依存しない,事後処理手法を提案する。
  論文  参考訳（メタデータ） (2024-05-23T10:26:18Z)
• EasyDGL: Encode, Train and Interpret for Continuous-time Dynamic Graph Learning [92.71579608528907]
  本稿では,3つのモジュールから構成される使い勝手の良いパイプライン(EasyDGL)を設計することを目的とする。 EasyDGLは、進化するグラフデータからモデルが学習する周波数コンテンツの予測力を効果的に定量化することができる。
  論文  参考訳（メタデータ） (2023-03-22T06:35:08Z)
• Localized Contrastive Learning on Graphs [110.54606263711385]
  局所グラフコントラスト学習(Local-GCL)という,シンプルだが効果的なコントラストモデルを導入する。 その単純さにもかかわらず、Local-GCLは、様々なスケールと特性を持つグラフ上の自己教師付きノード表現学習タスクにおいて、非常に競争力のある性能を達成する。
  論文  参考訳（メタデータ） (2022-12-08T23:36:00Z)
• Local Intrinsic Dimensionality Measures for Graphs, with Applications to Graph Embeddings [1.1602089225841632]
  NC-LIDは,ノードの自然群集を本質的な地域として,最短経路距離の識別力を定量化するための新しいLID関連尺度である。 ノード2ベックの2つの LID 弾性変種を定式化することにより, LID 対応グラフ埋め込みアルゴリズムを設計する方法について検討した。 実世界の多数のグラフ上でのNC-LIDの実証分析により,ノード中心性測定値よりも優れたノード2vec埋め込みにおいて,高いリンク再構成誤差を持つノードを指し示すことができることを示した。
  論文  参考訳（メタデータ） (2022-08-25T10:32:07Z)
• 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)
• Graph Representation Learning via Graphical Mutual Information Maximization [86.32278001019854]
  本稿では,入力グラフとハイレベルな隠蔽表現との相関を測る新しい概念であるGMIを提案する。 我々は,グラフニューラルエンコーダの入力と出力の間でGMIを最大化することで訓練された教師なし学習モデルを開発する。
  論文  参考訳（メタデータ） (2020-02-04T08:33:49Z)

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。