論文の概要: Multi-Scale Node Embeddings for Graph Modeling and Generation
- arxiv url: http://arxiv.org/abs/2412.04354v1
- Date: Thu, 05 Dec 2024 17:12:45 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-06 14:38:56.458584
- Title: Multi-Scale Node Embeddings for Graph Modeling and Generation
- Title（参考訳）: グラフモデリングと生成のためのマルチスケールノード埋め込み
- Authors: Riccardo Milocco, Fabian Jansen, Diego Garlaschelli,
- Abstract要約: ノード埋め込みアルゴリズムはグラフを入力として取り、その構造を幾何学空間内のノードを表す出力ベクトルにエンコードする。
関係のない2つの制限がこれらのアルゴリズムに影響を及ぼす。
本稿では,ブロックノードの埋め込みベクトルと,その構成ノードの埋め込みベクトルの和との統計的整合性を保証するマルチスケールノード埋め込み法を定義する。
- 参考スコア（独自算出の注目度）: 0.0
- License:
- Abstract: Lying at the interface between Network Science and Machine Learning, node embedding algorithms take a graph as input and encode its structure onto output vectors that represent nodes in an abstract geometric space, enabling various vector-based downstream tasks such as network modelling, data compression, link prediction, and community detection. Two apparently unrelated limitations affect these algorithms. On one hand, it is not clear what the basic operation defining vector spaces, i.e. the vector sum, corresponds to in terms of the original nodes in the network. On the other hand, while the same input network can be represented at multiple levels of resolution by coarse-graining the constituent nodes into arbitrary block-nodes, the relationship between node embeddings obtained at different hierarchical levels is not understood. Here, building on recent results in network renormalization theory, we address these two limitations at once and define a multiscale node embedding method that, upon arbitrary coarse-grainings, ensures statistical consistency of the embedding vector of a block-node with the sum of the embedding vectors of its constituent nodes. We illustrate the power of this approach on two economic networks that can be naturally represented at multiple resolution levels: namely, the international trade between (sets of) countries and the input-output flows among (sets of) industries in the Netherlands. We confirm the statistical consistency between networks retrieved from coarse-grained node vectors and networks retrieved from sums of fine-grained node vectors, a result that cannot be achieved by alternative methods. Several key network properties, including a large number of triangles, are successfully replicated already from embeddings of very low dimensionality, allowing for the generation of faithful replicas of the original networks at arbitrary resolution levels.
- Abstract（参考訳）: ネットワークサイエンスと機械学習のインターフェースを見ると、ノード埋め込みアルゴリズムはグラフを入力として取り、その構造を抽象幾何学空間のノードを表す出力ベクトルにエンコードし、ネットワークモデリング、データ圧縮、リンク予測、コミュニティ検出などの様々なベクトルベースの下流タスクを可能にする。
関係のない2つの制限がこれらのアルゴリズムに影響を及ぼす。
一方、ベクトル空間を定義する基本的な操作、すなわちベクトル和が、ネットワーク内の元のノードの観点でどう対応するかは明らかになっていない。
一方、構成ノードを任意のブロックノードに粗粒化することで、同じ入力ネットワークを複数のレベルの解像度で表現することができるが、異なる階層レベルで得られたノード埋め込みの関係は理解されていない。
ここでは、ネットワーク再正規化理論の最近の結果に基づいて、これらの2つの制限に一度に対処し、任意の粗粒化に基づいて、その構成ノードの埋め込みベクトルの和とブロックノードの埋め込みベクトルの統計的整合性を保証するマルチスケールノード埋め込み法を定義する。
本稿は、オランダの産業間の(一連の)国際貿易と、(一連の)産業間の(一連の)インプット・アウトプット・フローという、複数の解決レベルで自然に表現できる2つの経済ネットワークにおけるこのアプローチの力について説明する。
我々は、粗粒度ノードベクトルから取得したネットワークと、細粒度ノードベクトルの和から取得したネットワークとの統計的整合性を確認する。
多数の三角形を含むいくつかの重要なネットワーク特性は、非常に低次元の埋め込みから既に再現されており、任意の解像度レベルで元のネットワークの忠実な複製を生成することができる。
関連論文リスト
- Degree-based stratification of nodes in Graph Neural Networks [66.17149106033126]
グラフニューラルネットワーク(GNN)アーキテクチャを変更して,各グループのノードに対して,重み行列を個別に学習する。
このシンプルな実装変更により、データセットとGNNメソッドのパフォーマンスが改善されているようだ。
論文 参考訳（メタデータ） (2023-12-16T14:09:23Z) - NodeFormer: A Scalable Graph Structure Learning Transformer for Node
Classification [70.51126383984555]
本稿では,任意のノード間のノード信号を効率的に伝搬する全ペアメッセージパッシング方式を提案する。
効率的な計算は、カーナライズされたGumbel-Softmax演算子によって実現される。
グラフ上のノード分類を含む様々なタスクにおいて,本手法の有望な有効性を示す実験を行った。
論文 参考訳（メタデータ） (2023-06-14T09:21:15Z) - Refined Edge Usage of Graph Neural Networks for Edge Prediction [51.06557652109059]
We propose a novel edge prediction paradigm named Edge-aware Message PassIng neuRal nEtworks (EMPIRE)。
まず,各エッジをトポロジや監督のためにのみ使用するエッジ分割手法を提案する。
監視エッジで接続されたペアと接続されていないペアの差を強調するために、さらにメッセージを重み付けして、その差を反映できる相対的なペアを強調します。
論文 参考訳（メタデータ） (2022-12-25T23:19:56Z) - The Influence of Network Structural Preference on Node Classification
and Link Prediction [0.0]
本研究は,新しい機能抽象化手法,すなわちTransition Probabilities Matrix (TPM)を導入する。
提案手法は,3つの実世界のネットワーク上でノード識別・分類・リンク予測を行った。
論文 参考訳（メタデータ） (2022-08-07T12:56:28Z) - Learning Asymmetric Embedding for Attributed Networks via Convolutional
Neural Network [19.611523749659355]
AAGCNと呼ばれる畳み込みグラフニューラルネットワークに基づく新しい非対称属性ネットワーク埋め込みモデルを提案する。
主な考え方は、有向属性ネットワークの非対称な近接性と非対称な類似性を極大に保存することである。
ネットワーク再構成,リンク予測,ノード分類,可視化タスクのための実世界の3つのネットワーク上でのAAGCNの性能を検証した。
論文 参考訳（メタデータ） (2022-02-13T13:35:15Z) - VQ-GNN: A Universal Framework to Scale up Graph Neural Networks using
Vector Quantization [70.8567058758375]
VQ-GNNは、Vector Quantization(VQ)を使用して、パフォーマンスを損なうことなく、畳み込みベースのGNNをスケールアップするための普遍的なフレームワークである。
我々のフレームワークは,グラフ畳み込み行列の低ランク版と組み合わせた量子化表現を用いて,GNNの「隣の爆発」問題を回避する。
論文 参考訳（メタデータ） (2021-10-27T11:48:50Z) - Neural Network Modeling of Probabilities for Coding the Octree
Representation of Point Clouds [0.0]
本稿では,ボクセルの占有状況に対する符号化確率をニューラルネットワークを用いて推定する,新しいポイントクラウド圧縮アルゴリズムについて述べる。
提案したアルゴリズムは、ベンチマークデータセット上で最先端の結果を得る。
論文 参考訳（メタデータ） (2021-06-11T16:07:46Z) - Multiplex Bipartite Network Embedding using Dual Hypergraph
Convolutional Networks [16.62391694987056]
非監視のデュアルグラフ畳み込みネットワーク(DualHGCN)モデルを開発し、マルチプレックスバイパートネットワークを2組の均質ハイパーグラフに変換します。
リンク予測とノード分類タスクの4つの実世界のデータセットを用いてDualHGCNをベンチマークする。
論文 参考訳（メタデータ） (2021-02-12T07:20:36Z) - Towards Efficient Scene Understanding via Squeeze Reasoning [71.1139549949694]
我々はSqueeze Reasoningと呼ばれる新しいフレームワークを提案する。
空間地図上の情報を伝播するのではなく、まず入力特徴をチャネルワイドなグローバルベクトルに絞ることを学ぶ。
提案手法はエンドツーエンドのトレーニングブロックとしてモジュール化可能であり,既存のネットワークに簡単に接続可能であることを示す。
論文 参考訳（メタデータ） (2020-11-06T12:17:01Z) - Unsupervised Differentiable Multi-aspect Network Embedding [52.981277420394846]
本稿では,asp2vecと呼ばれるマルチアスペクトネットワーク埋め込みのための新しいエンドツーエンドフレームワークを提案する。
提案するフレームワークは容易に異種ネットワークに拡張できる。
論文 参考訳（メタデータ） (2020-06-07T19:26:20Z)
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。