論文の概要: Network Embedding Exploration Tool (NEExT)
- arxiv url: http://arxiv.org/abs/2503.15853v1
- Date: Thu, 20 Mar 2025 05:15:36 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-03-21 19:01:09.726009
- Title: Network Embedding Exploration Tool (NEExT)
- Title（参考訳）: ネットワーク埋め込み探索ツール(NEExT)
- Authors: Ashkan Dehghan, Paweł Prałat, François Théberge,
- Abstract要約: 我々はNEExT(Network Embedding Exploration Tool)を導入し、ユーザ定義ノード機能を介してグラフのコレクションを埋め込む。
フレームワークの利点は2つある: (i)手元にあるタスクの観点から、容易に解釈可能なノードベースの機能を定義する機能、(ii)Vectorizersライブラリが提供するグラフの高速な埋め込み。
- 参考スコア（独自算出の注目度）: 1.6385815610837167
- License:
- Abstract: Many real-world and artificial systems and processes can be represented as graphs. Some examples of such systems include social networks, financial transactions, supply chains, and molecular structures. In many of these cases, one needs to consider a collection of graphs, rather than a single network. This could be a collection of distinct but related graphs, such as different protein structures or graphs resulting from dynamic processes on the same network. Examples of the latter include the evolution of social networks, community-induced graphs, or ego-nets around various nodes. A significant challenge commonly encountered is the absence of ground-truth labels for graphs or nodes, necessitating the use of unsupervised techniques to analyze such systems. Moreover, even when ground-truth labels are available, many existing graph machine learning methods depend on complex deep learning models, complicating model explainability and interpretability. To address some of these challenges, we have introduced NEExT (Network Embedding Exploration Tool) for embedding collections of graphs via user-defined node features. The advantages of the framework are twofold: (i) the ability to easily define your own interpretable node-based features in view of the task at hand, and (ii) fast embedding of graphs provided by the Vectorizers library. In this paper, we demonstrate the usefulness of NEExT on collections of synthetic and real-world graphs. For supervised tasks, we demonstrate that performance in graph classification tasks could be achieved similarly to other state-of-the-art techniques while maintaining model interpretability. Furthermore, our framework can also be used to generate high-quality embeddings in an unsupervised way, where target variables are not available.
- Abstract（参考訳）: 多くの現実世界や人工的なシステムやプロセスはグラフとして表現できる。
そのようなシステムの例としては、ソーシャルネットワーク、金融取引、サプライチェーン、分子構造などがある。
これらのケースの多くは、単一のネットワークではなく、グラフの集合を考える必要があります。
これは、異なるタンパク質構造や同じネットワーク上の動的なプロセスから生じるグラフなど、異なるが関連するグラフの集合である可能性がある。
後者の例としては、ソーシャルネットワークの進化、コミュニティによって引き起こされたグラフ、および様々なノード周辺のエゴネットがある。
一般的に遭遇する重要な課題は、グラフやノードの基底構造ラベルが存在しないことであり、そのようなシステムを分析するのに教師なしの技術を使う必要がある。
さらに,基礎構造ラベルが利用可能であっても,既存のグラフ機械学習手法の多くは複雑なディープラーニングモデルに依存し,モデル説明可能性や解釈可能性の複雑化を図っている。
これらの課題に対処するため、ユーザ定義ノード機能を介してグラフのコレクションを埋め込むNEExT(Network Embedding Exploration Tool)を導入しました。
フレームワークの利点は2つあります。
(i)手元にあるタスクの観点で、自分自身で解釈可能なノードベースの機能を簡単に定義できる機能、そして
(ii) Vectorizersライブラリが提供するグラフの高速埋め込み。
本稿では,合成および実世界のグラフの集合に対するNEExTの有用性を示す。
教師付きタスクでは、モデル解釈性を維持しながら、他の最先端技術と同様に、グラフ分類タスクのパフォーマンスが達成できることを実証する。
さらに、我々のフレームワークは、対象変数が利用できない教師なしの方法で高品質な埋め込みを生成するためにも使用できる。
関連論文リスト
- Revisiting Graph Neural Networks on Graph-level Tasks: Comprehensive Experiments, Analysis, and Improvements [54.006506479865344]
グラフレベルグラフニューラルネットワーク(GNN)のための統一評価フレームワークを提案する。
このフレームワークは、さまざまなデータセットにわたるGNNを評価するための標準化された設定を提供する。
また,表現性の向上と一般化機能を備えた新しいGNNモデルを提案する。
論文 参考訳（メタデータ） (2025-01-01T08:48:53Z) - Towards Graph Foundation Models: Learning Generalities Across Graphs via Task-Trees [50.78679002846741]
グラフにおけるクロスタスクの一般性を学習するための新しいアプローチを提案する。
グラフ上のタスク空間を整列させるための基本的な学習インスタンスとしてタスクツリーを提案する。
その結果,グラフニューラルネットワークが多種多様なタスクツリーで事前訓練された場合,伝達可能な知識を取得することが示唆された。
論文 参考訳（メタデータ） (2024-12-21T02:07:43Z) - Towards Graph Prompt Learning: A Survey and Beyond [38.55555996765227]
大規模"事前訓練と迅速な学習"パラダイムは、顕著な適応性を示している。
この調査は、この分野における100以上の関連する研究を分類し、一般的な設計原則と最新の応用を要約する。
論文 参考訳（メタデータ） (2024-08-26T06:36:42Z) - HUGE: Huge Unsupervised Graph Embeddings with TPUs [6.108914274067702]
グラフ埋め込み(Graph Embedding)は、グラフ内のノードを連続的に表現するプロセスである。
高帯域幅メモリを利用した高性能グラフ埋め込みアーキテクチャを提案する。
実・合成大規模データセット上での埋め込み空間の品質を検証する。
論文 参考訳（メタデータ） (2023-07-26T20:29:15Z) - SynGraphy: Succinct Summarisation of Large Networks via Small Synthetic
Representative Graphs [4.550112751061436]
大規模ネットワークデータセットの構造を視覚的に要約するSynGraphyについて述べる。
入力グラフに類似した構造特性を持つために生成されたより小さなグラフを描画する。
論文 参考訳（メタデータ） (2023-02-15T16:00:15Z) - State of the Art and Potentialities of Graph-level Learning [54.68482109186052]
グラフレベルの学習は、比較、回帰、分類など、多くのタスクに適用されている。
グラフの集合を学習する伝統的なアプローチは、サブストラクチャのような手作りの特徴に依存している。
ディープラーニングは、機能を自動的に抽出し、グラフを低次元表現に符号化することで、グラフレベルの学習をグラフの規模に適応させるのに役立っている。
論文 参考訳（メタデータ） (2023-01-14T09:15:49Z) - Temporal Graph Network Embedding with Causal Anonymous Walks
Representations [54.05212871508062]
本稿では,時間グラフネットワークに基づく動的ネットワーク表現学習のための新しいアプローチを提案する。
評価のために、時間的ネットワーク埋め込みの評価のためのベンチマークパイプラインを提供する。
欧州の大手銀行が提供した実世界のダウンストリームグラフ機械学習タスクにおいて、我々のモデルの適用性と優れた性能を示す。
論文 参考訳（メタデータ） (2021-08-19T15:39:52Z) - 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) - GraphOpt: Learning Optimization Models of Graph Formation [72.75384705298303]
本稿では,グラフ構造形成の暗黙的モデルを学ぶエンドツーエンドフレームワークを提案し,その基盤となる最適化機構を明らかにする。
学習した目的は、観測されたグラフプロパティの説明として機能し、ドメイン内の異なるグラフを渡すために自分自身を貸すことができる。
GraphOptは、グラフ内のリンク生成をシーケンシャルな意思決定プロセスとして、最大エントロピー逆強化学習アルゴリズムを用いて解決する。
論文 参考訳（メタデータ） (2020-07-07T16:51:39Z) - GCC: Graph Contrastive Coding for Graph Neural Network Pre-Training [62.73470368851127]
グラフ表現学習は現実世界の問題に対処する強力な手法として登場した。
自己教師付きグラフニューラルネットワーク事前トレーニングフレームワークであるGraph Contrastive Codingを設計する。
3つのグラフ学習タスクと10のグラフデータセットについて実験を行った。
論文 参考訳（メタデータ） (2020-06-17T16:18:35Z)
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。