論文の概要: From communities to interpretable network and word embedding: an unified approach

• arxiv url: http://arxiv.org/abs/2412.08187v1
• Date: Wed, 11 Dec 2024 08:27:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-12 14:04:29.580065
• Title: From communities to interpretable network and word embedding: an unified approach
• Title（参考訳）: コミュニティから解釈可能なネットワークと単語埋め込みへ:統一的アプローチ
• Authors: Thibault Prouteau, Nicolas Dugué, Simon Guillot,
• Abstract要約: グラフ埋め込みは、ベクトル化された特徴空間におけるネットワークの相互作用とトポロジを要約する強力なツールである。 本稿では,ネットワーク頂点を解釈可能なベクトル空間に効率的に埋め込む新しいフレームワークを提案する。 SINr-MF は古典グラフでよく機能し、SINr-NR は高速なグラフや単語の埋め込みを生成できる。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Modelling information from complex systems such as humans social interaction or words co-occurrences in our languages can help to understand how these systems are organized and function. Such systems can be modelled by networks, and network theory provides a useful set of methods to analyze them. Among these methods, graph embedding is a powerful tool to summarize the interactions and topology of a network in a vectorized feature space. When used in input of machine learning algorithms, embedding vectors help with common graph problems such as link prediction, graph matching, etc. Word embedding has the goal of representing the sense of words, extracting it from large text corpora. Despite differences in the structure of information in input of embedding algorithms, many graph embedding approaches are adapted and inspired from methods in NLP. Limits of these methods are observed in both domains. Most of these methods require long and resource greedy training. Another downside to most methods is that they are black-box, from which understanding how the information is structured is rather complex. Interpretability of a model allows understanding how the vector space is structured without the need for external information, and thus can be audited more easily. With both these limitations in mind, we propose a novel framework to efficiently embed network vertices in an interpretable vector space. Our Lower Dimension Bipartite Framework (LDBGF) leverages the bipartite projection of a network using cliques to reduce dimensionality. Along with LDBGF, we introduce two implementations of this framework that rely on communities instead of cliques: SINr-NR and SINr-MF. We show that SINr-MF can perform well on classical graphs and SINr-NR can produce high-quality graph and word embeddings that are interpretable and stable across runs.
• Abstract（参考訳）: 人間の社会的相互作用や言語における単語の共起といった複雑なシステムからの情報をモデリングすることは、これらのシステムがどのように組織化され機能しているかを理解するのに役立ちます。 このようなシステムはネットワークによってモデル化することができ、ネットワーク理論はそれらを解析するための有用な方法セットを提供する。 これらの手法のうち、グラフ埋め込みはベクトル化された特徴空間におけるネットワークの相互作用とトポロジーを要約する強力なツールである。 機械学習アルゴリズムの入力で使用される場合、埋め込みベクトルは、リンク予測やグラフマッチングなどの一般的なグラフ問題に役立ちます。 単語埋め込みは、単語の感覚を表現することを目的として、大きなテキストコーパスから単語を抽出する。 埋め込みアルゴリズムの入力における情報構造の違いにもかかわらず、多くのグラフ埋め込みアプローチが適応され、NLPの手法から着想を得ている。 これらの手法の限界は両方の領域で観測される。 これらの手法の多くは、長くてリソースの欲求的な訓練を必要とする。 多くの方法のもう1つの欠点は、それらがブラックボックスであることであり、そこから情報がどのように構造化されているかを理解することはかなり複雑である。 モデルの解釈可能性により、外部情報を必要としないベクトル空間がどのように構成されているかを理解することができ、より容易に監査できる。 これらの制約を念頭に置いて,ネットワーク頂点を解釈可能なベクトル空間に効率的に埋め込む新しい枠組みを提案する。 我々の低次元バイパートイトフレームワーク(LDBGF)は、斜めを用いたネットワークのバイパートイト投影を利用して次元を減少させる。 LDBGFとともに、このフレームワークの2つの実装を導入し、Cliquesの代わりにコミュニティに依存している: SINr-NRとSINr-MF。 SINr-MF は古典グラフでよく機能し、SINr-NR は高速なグラフや単語の埋め込みを生成できる。

関連論文リスト

• Synergistic Signals: Exploiting Co-Engagement and Semantic Links via Graph Neural Networks [4.261438296177923]
  この問題をNetflixのコンテキストレコメンデータシステムで研究する。 本稿では,SemanticGNNと呼ばれるグラフベースの新しいアプローチを提案する。 1)グラフ内の関係型の不均衡分布を処理するための新しい関係認識型注目グラフニューラルネットワーク(GNN)を開発し,(2)数百万のノードと数十億のエッジを持つWebスケールグラフデータを処理するために,分散グラフトレーニングパラダイムを開発した。
  論文  参考訳（メタデータ） (2023-12-07T06:29:26Z)
• 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)
• Learning Strong Graph Neural Networks with Weak Information [64.64996100343602]
  我々は、弱い情報(GLWI)を用いたグラフ学習問題に対する原則的アプローチを開発する。 非完全構造を持つ入力グラフ上で長距離情報伝搬を行うデュアルチャネルGNNフレームワークであるD$2$PTを提案するが、グローバルな意味的類似性を符号化するグローバルグラフも提案する。
  論文  参考訳（メタデータ） (2023-05-29T04:51:09Z)
• A Robust Stacking Framework for Training Deep Graph Models with Multifaceted Node Features [61.92791503017341]
  数値ノード特徴とグラフ構造を入力とするグラフニューラルネットワーク(GNN)は,グラフデータを用いた各種教師付き学習タスクにおいて,優れた性能を示した。 IID(non-graph)データをGNNに簡単に組み込むことはできない。 本稿では、グラフ認識の伝播をIDデータに意図した任意のモデルで融合するロバストな積み重ねフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-06-16T22:46:33Z)
• Automatic Relation-aware Graph Network Proliferation [182.30735195376792]
  GNNを効率的に検索するためのARGNP(Automatic Relation-Aware Graph Network Proliferation)を提案する。 これらの操作は階層的なノード/リレーショナル情報を抽出し、グラフ上のメッセージパッシングのための異方的ガイダンスを提供する。 4つのグラフ学習タスクのための6つのデータセットの実験により、我々の手法によって生成されたGNNは、現在最先端の手作りおよび検索に基づくGNNよりも優れていることが示された。
  論文  参考訳（メタデータ） (2022-05-31T10:38:04Z)
• Inferential SIR-GN: Scalable Graph Representation Learning [0.4699313647907615]
  グラフ表現学習法は、ネットワーク内のノードの数値ベクトル表現を生成する。 本研究では,ランダムグラフ上で事前学習されたモデルであるInferential SIR-GNを提案し,ノード表現を高速に計算する。 このモデルではノードの構造的役割情報を捉えることができ、ノードやグラフの分類タスクにおいて、目に見えないネットワーク上で優れた性能を示すことができる。
  論文  参考訳（メタデータ） (2021-11-08T20:56:37Z)
• Learnable Graph Matching: Incorporating Graph Partitioning with Deep Feature Learning for Multiple Object Tracking [58.30147362745852]
  フレーム間のデータアソシエーションは、Multiple Object Tracking(MOT)タスクの中核にある。 既存の手法は、主にトラックレットとフレーム内検出の間のコンテキスト情報を無視する。 そこで本研究では,学習可能なグラフマッチング手法を提案する。
  論文  参考訳（メタデータ） (2021-03-30T08:58:45Z)
• 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)
• Co-embedding of Nodes and Edges with Graph Neural Networks [13.020745622327894]
  グラフ埋め込みは、高次元および非ユークリッド特徴空間でデータ構造を変換しエンコードする方法である。 CensNetは一般的なグラフ埋め込みフレームワークで、ノードとエッジの両方を潜在機能空間に埋め込む。 提案手法は,4つのグラフ学習課題における最先端のパフォーマンスを達成または一致させる。
  論文  参考訳（メタデータ） (2020-10-25T22:39:31Z)
• Machine Learning on Graphs: A Model and Comprehensive Taxonomy [22.73365477040205]
  グラフニューラルネットワーク、ネットワーク埋め込み、グラフ正規化モデルの間のギャップを埋める。 具体的には、グラフ上の半教師付き学習のための一般的なアルゴリズムを一般化するグラフデコーダモデル( GraphEDM)を提案する。
  論文  参考訳（メタデータ） (2020-05-07T18:00:02Z)

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。