論文の概要: Graph Community Augmentation with GMM-based Modeling in Latent Space
- arxiv url: http://arxiv.org/abs/2412.01163v1
- Date: Mon, 02 Dec 2024 06:05:10 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-04 15:48:16.686069
- Title: Graph Community Augmentation with GMM-based Modeling in Latent Space
- Title（参考訳）: 潜在空間におけるGMMに基づくモデリングによるグラフコミュニティの拡張
- Authors: Shintaro Fukushima, Kenji Yamanishi,
- Abstract要約: グラフコミュニティ拡張(GCA)と呼ばれるアルゴリズムを提案する。
我々は,新しいコミュニティ構造を持つグラフ生成におけるGAAの有効性を,合成および実際のデータセット上で実証的に実証した。
- 参考スコア（独自算出の注目度）: 9.47065476904586
- License:
- Abstract: This study addresses the issue of graph generation with generative models. In particular, we are concerned with graph community augmentation problem, which refers to the problem of generating unseen or unfamiliar graphs with a new community out of the probability distribution estimated with a given graph dataset. The graph community augmentation means that the generated graphs have a new community. There is a chance of discovering an unseen but important structure of graphs with a new community, for example, in a social network such as a purchaser network. Graph community augmentation may also be helpful for generalization of data mining models in a case where it is difficult to collect real graph data enough. In fact, there are many ways to generate a new community in an existing graph. It is desirable to discover a new graph with a new community beyond the given graph while we keep the structure of the original graphs to some extent for the generated graphs to be realistic. To this end, we propose an algorithm called the graph community augmentation (GCA). The key ideas of GCA are (i) to fit Gaussian mixture model (GMM) to data points in the latent space into which the nodes in the original graph are embedded, and (ii) to add data points in the new cluster in the latent space for generating a new community based on the minimum description length (MDL) principle. We empirically demonstrate the effectiveness of GCA for generating graphs with a new community structure on synthetic and real datasets.
- Abstract（参考訳）: 本研究では,生成モデルを用いたグラフ生成の問題に対処する。
特に,対象のグラフデータセットから推定した確率分布から,未知あるいは不慣れなグラフを新たに生成する問題を指すグラフコミュニティ拡張問題について検討している。
グラフコミュニティの強化は、生成されたグラフが新しいコミュニティを持つことを意味する。
例えば、購入者ネットワークのようなソーシャルネットワークにおいて、新しいコミュニティを持つグラフの、目に見えないが重要な構造を見つけるチャンスがある。
グラフコミュニティの拡張は、実際のグラフデータを十分に収集することが困難である場合には、データマイニングモデルの一般化にも役立ちます。
実際、既存のグラフに新しいコミュニティを生成するには、多くの方法があります。
生成したグラフが現実的なものになるまで、元のグラフの構造をある程度保ちながら、与えられたグラフを超える新しいコミュニティを持つ新しいグラフを見つけることが望ましい。
そこで本稿では,GCA (Graph Community Augmentation) と呼ばれるアルゴリズムを提案する。
GCAの主な考え方は
i) ガウス混合モデル(GMM)を元のグラフのノードが埋め込まれた潜在空間のデータ点に適合させ、
(2)最小記述長(MDL)の原理に基づいて,新しいコミュニティを生成するために,潜在空間に新しいクラスタにデータポイントを追加する。
我々は,新しいコミュニティ構造を持つグラフ生成におけるGAAの有効性を,合成および実際のデータセット上で実証的に実証した。
関連論文リスト
- The GECo algorithm for Graph Neural Networks Explanation [0.0]
本稿では,グラフ分類問題の解釈可能性に対処するために,グラフコミュニティを包含する新たな方法論を提案する。
GECoと呼ばれる提案手法は、コミュニティがグラフノードの密結合部分集合であるなら、この性質はグラフ分類において役割を果たすべきであるという考えを生かしている。
得られた結果は、人工グラフデータセットおよびほとんどの実世界のデータセットの他の手法よりも優れている。
論文 参考訳（メタデータ） (2024-11-18T09:08:30Z) - MGNet: Learning Correspondences via Multiple Graphs [78.0117352211091]
学習対応は、不均一な対応分布と低い不整合率で設定された初期対応から正しい対応を見つけることを目的としている。
最近の進歩は、通常、グラフニューラルネットワーク(GNN)を使用して単一のタイプのグラフを構築したり、グローバルなグラフに局所グラフをスタックしてタスクを完了させる。
本稿では,複数の補完グラフを効果的に組み合わせるためのMGNetを提案する。
論文 参考訳（メタデータ） (2024-01-10T07:58:44Z) - GraphMaker: Can Diffusion Models Generate Large Attributed Graphs? [7.330479039715941]
ノード属性を持つ大規模グラフは、様々な現実世界のアプリケーションでますます一般的になっている。
従来のグラフ生成法は、これらの複雑な構造を扱う能力に制限がある。
本稿では,大きな属性グラフを生成するために特別に設計された新しい拡散モデルであるGraphMakerを紹介する。
論文 参考訳（メタデータ） (2023-10-20T22:12:46Z) - GDM: Dual Mixup for Graph Classification with Limited Supervision [27.8982897698616]
グラフニューラルネットワーク(GNN)は、グラフ分類タスクにおいて優れたパフォーマンスを得るために、多数のラベル付きグラフサンプルを必要とする。
ラベル付きグラフサンプルの減少に伴い, GNNの性能は著しく低下する。
本稿では,新しいラベル付きグラフサンプルを生成するための混合グラフ拡張法を提案する。
論文 参考訳（メタデータ） (2023-09-18T20:17:10Z) - Graph Generative Model for Benchmarking Graph Neural Networks [73.11514658000547]
本稿では,プライバシ制御により実世界のグラフの分布を学習し,再現する新しいグラフ生成モデルを提案する。
我々のモデルは、GNNモデルのベンチマークに効果的に使用できる大規模な実世界のグラフの、プライバシ制御された合成代用をうまく生成することができる。
論文 参考訳（メタデータ） (2022-07-10T06:42:02Z) - G-Mixup: Graph Data Augmentation for Graph Classification [55.63157775049443]
Mixupは、2つのランダムサンプル間の特徴とラベルを補間することにより、ニューラルネットワークの一般化とロバスト性を改善する上で優位性を示している。
グラフ分類のためのグラフを増補するために$mathcalG$-Mixupを提案し、グラフの異なるクラスのジェネレータ(すなわちグラフ)を補間する。
実験により、$mathcalG$-MixupはGNNの一般化とロバスト性を大幅に改善することが示された。
論文 参考訳（メタデータ） (2022-02-15T04:09:44Z) - AnchorGAE: General Data Clustering via $O(n)$ Bipartite Graph
Convolution [79.44066256794187]
我々は、グラフ畳み込みネットワーク(GCN)を構築するために使用される生成グラフモデルを導入することにより、グラフに非グラフデータセットを変換する方法を示す。
アンカーによって構築された二部グラフは、データの背後にある高レベル情報を利用するために動的に更新される。
理論的には、単純な更新が退化につながることを証明し、それに従って特定の戦略が設計される。
論文 参考訳（メタデータ） (2021-11-12T07:08:13Z) - CCGG: A Deep Autoregressive Model for Class-Conditional Graph Generation [7.37333913697359]
所望の機能を持つグラフを生成するために,クラス条件付きグラフ生成器(CCGG)を導入する。
CCGGは、様々なデータセット上で既存の条件付きグラフ生成方法より優れている。
また、分散ベースの評価指標の観点から、生成したグラフの品質も維持する。
論文 参考訳（メタデータ） (2021-10-07T21:24:07Z) - Dirichlet Graph Variational Autoencoder [65.94744123832338]
本稿では,グラフクラスタメンバシップを潜在因子とするDGVAE(Dirichlet Graph Variational Autoencoder)を提案する。
バランスグラフカットにおける低パス特性により、入力グラフをクラスタメンバシップにエンコードする、Heattsと呼ばれるGNNの新しい変種を提案する。
論文 参考訳（メタデータ） (2020-10-09T07:35:26Z) - GraphCrop: Subgraph Cropping for Graph Classification [36.33477716380905]
我々は,サブ構造欠落の現実的なノイズをシミュレートするtextbfGraphCrop (Subgraph Cropping) データ拡張法を開発した。
グラフ分類のための有効な構造コンテキストを保存することにより、GNNはグローバルな意味でグラフ構造の内容を理解することを奨励する。
論文 参考訳（メタデータ） (2020-09-22T14:05:41Z) - Adaptive Graph Auto-Encoder for General Data Clustering [90.8576971748142]
グラフベースのクラスタリングは、クラスタリング領域において重要な役割を果たす。
グラフ畳み込みニューラルネットワークに関する最近の研究は、グラフ型データにおいて驚くべき成功を収めている。
本稿では,グラフの生成的視点に応じて適応的にグラフを構成する汎用データクラスタリングのためのグラフ自動エンコーダを提案する。
論文 参考訳（メタデータ） (2020-02-20T10:11:28Z)
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。