論文の概要: Unifying Structural Proximity and Equivalence for Enhanced Dynamic Network Embedding
- arxiv url: http://arxiv.org/abs/2503.19926v1
- Date: Fri, 14 Mar 2025 08:40:05 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-03-30 07:31:48.527599
- Title: Unifying Structural Proximity and Equivalence for Enhanced Dynamic Network Embedding
- Title（参考訳）: 動的ネットワーク埋め込みのための構造的近接性と等価性の統合
- Authors: Suchanuch Piriyasatit, Chaohao Yuan, Ercan Engin Kuruoglu,
- Abstract要約: 本稿では,構造的近接性と等価性の両方を同時に維持する新しい動的ネットワーク埋め込み法を提案する。
次に時間-構造的ランダムウォークを導入し、進化する構造における時間的近接性と類似性の両方を考慮して、ノードの時間-反射配列を柔軟にサンプリングする。
提案手法は,ノード分類における5つの実世界のネットワークを用いて評価され,ベンチマーク手法よりも優れている。
- 参考スコア（独自算出の注目度）: 1.6044444452278062
- License:
- Abstract: Dynamic network embedding methods transform nodes in a dynamic network into low-dimensional vectors while preserving network characteristics, facilitating tasks such as node classification and community detection. Several embedding methods have been proposed to capture structural proximity among nodes in a network, where densely connected communities are preserved, while others have been proposed to preserve structural equivalence among nodes, capturing their structural roles regardless of their relative distance in the network. However, most existing methods that aim to preserve both network characteristics mainly focus on static networks and those designed for dynamic networks do not explicitly account for inter-snapshot structural properties. This paper proposes a novel unifying dynamic network embedding method that simultaneously preserves both structural proximity and equivalence while considering inter-snapshot structural relationships in a dynamic network. Specifically, to define structural equivalence in a dynamic network, we use temporal subgraphs, known as dynamic graphlets, to capture how a node's neighborhood structure evolves over time. We then introduce a temporal-structural random walk to flexibly sample time-respecting sequences of nodes, considering both their temporal proximity and similarity in evolving structures. The proposed method is evaluated using five real-world networks on node classification where it outperforms benchmark methods, showing its effectiveness and flexibility in capturing various aspects of a network.
- Abstract（参考訳）: 動的ネットワーク埋め込み法は,ネットワーク特性を保ちながら,ネットワーク内のノードを低次元ベクトルに変換し,ノード分類やコミュニティ検出などのタスクを容易にする。
ネットワーク内の密接なコミュニティが保存されているノード間の構造的近接を捉えるために,いくつかの埋め込み手法が提案され,ネットワーク内の相対的距離に関係なく,ノード間の構造的等価性を維持するために提案されている。
しかし,ネットワーク特性の保存を目的とした既存手法の多くは静的ネットワークに特化しており,動的ネットワーク用に設計された手法はスナップショット間構造特性を明示的に考慮していない。
本稿では,動的ネットワークにおけるショット間構造関係を考慮しつつ,構造的近接性と等価性の両方を同時に保持する新しい動的ネットワーク埋め込み手法を提案する。
具体的には、動的ネットワークにおける構造的等価性を定義するために、動的グラフレットとして知られる時間部分グラフを用いて、ノードの近傍構造が時間とともにどのように進化するかをキャプチャする。
次に時間-構造的ランダムウォークを導入し、進化する構造における時間的近接性と類似性の両方を考慮して、ノードの時間-反射配列を柔軟にサンプリングする。
提案手法は,ノード分類における5つの実世界のネットワークを用いて評価され,ネットワークの様々な側面を捉える上での有効性と柔軟性を示す。
関連論文リスト
- Matcha: Mitigating Graph Structure Shifts with Test-Time Adaptation [66.40525136929398]
テスト時間適応(TTA)は、ソースドメインに再アクセスすることなく、トレーニング済みのモデルをターゲットドメインに適応できる能力によって注目を集めている。
グラフの構造シフトへの効果的かつ効率的な適応を目的とした,革新的なフレームワークであるMatchaを提案する。
合成と実世界の両方のデータセットに対するMatchaの有効性を検証し、構造と属性シフトの様々な組み合わせにおける頑健さを実証した。
論文 参考訳（メタデータ） (2024-10-09T15:15:40Z) - Discovering Message Passing Hierarchies for Mesh-Based Physics Simulation [61.89682310797067]
DHMPを導入し,異なるノード選択手法を用いてメッセージパッシングネットワークの動的階層を学習する。
本実験はDHMPの有効性を実証し,近年の固定階層型メッセージパッシングネットワークと比較して平均22.7%改善した。
論文 参考訳（メタデータ） (2024-10-03T15:18:00Z) - Highly connected dynamic artificial neural networks [0.0]
ニューラルネットワークを実装するためのオブジェクト指向アプローチを紹介する。
ネットワークは、ネットワークのどの層にもノード間のエッジが認められるという点で、高度に接続されている。
論文 参考訳（メタデータ） (2023-02-17T15:05:29Z) - DyCSC: Modeling the Evolutionary Process of Dynamic Networks Based on
Cluster Structure [1.005130974691351]
動的クラスタ構造制約モデル(DyCSC)と呼ばれる新しい時間ネットワーク埋め込み手法を提案する。
DyCSCは、ネットワーク内のノードの傾向に時間的制約を課すことで、時間的ネットワークの進化を捉えている。
複数の時間リンク予測タスクにおいて、競合する手法をかなりのマージンで一貫して上回る。
論文 参考訳（メタデータ） (2022-10-23T10:23:08Z) - DynACPD Embedding Algorithm for Prediction Tasks in Dynamic Networks [6.5361928329696335]
本稿では,動的ネットワークのテンソル表現に対する高次テンソル分解に基づく動的ネットワークに対する新しい埋め込み手法を提案する。
リンク予測タスクにおけるアルゴリズムの性能を,現在のベースライン手法の配列と比較することにより,提案手法のパワーと効率を実証する。
論文 参考訳（メタデータ） (2021-03-12T04:36:42Z) - Dynamic Graph: Learning Instance-aware Connectivity for Neural Networks [78.65792427542672]
動的グラフネットワーク(DG-Net)は完全な有向非巡回グラフであり、ノードは畳み込みブロックを表し、エッジは接続経路を表す。
ネットワークの同じパスを使用する代わりに、DG-Netは各ノードの機能を動的に集約する。
論文 参考訳（メタデータ） (2020-10-02T16:50:26Z) - On the use of local structural properties for improving the efficiency
of hierarchical community detection methods [77.34726150561087]
本研究では,階層型コミュニティ検出の効率向上のために,局所構造ネットワーク特性をプロキシとして利用する方法について検討する。
また,ネットワークプルーニングの性能への影響を,階層的コミュニティ検出をより効率的にするための補助的手法として検証する。
論文 参考訳（メタデータ） (2020-09-15T00:16:12Z) - Visual Concept Reasoning Networks [93.99840807973546]
分割変換マージ戦略は、視覚認識タスクのための畳み込みニューラルネットワークのアーキテクチャ制約として広く使用されている。
我々は、この戦略を利用して、高レベルの視覚概念間の推論を可能にするために、Visual Concept Reasoning Networks (VCRNet) と組み合わせることを提案する。
提案するモデルであるVCRNetは、パラメータ数を1%以下にすることで、一貫して性能を向上する。
論文 参考訳（メタデータ） (2020-08-26T20:02:40Z) - Modeling Dynamic Heterogeneous Network for Link Prediction using
Hierarchical Attention with Temporal RNN [16.362525151483084]
我々はDyHATRと呼ばれる新しい動的ヘテロジニアスネットワーク埋め込み法を提案する。
階層的な注意を使って異質な情報を学習し、進化パターンを捉えるために時間的注意を伴う繰り返しニューラルネットワークを組み込む。
リンク予測のための4つの実世界のデータセットに対して,本手法をベンチマークした。
論文 参考訳（メタデータ） (2020-04-01T17:16:47Z) - Progressive Graph Convolutional Networks for Semi-Supervised Node
Classification [97.14064057840089]
グラフ畳み込みネットワークは、半教師付きノード分類のようなグラフベースのタスクに対処することに成功した。
本稿では,コンパクトかつタスク固有のグラフ畳み込みネットワークを自動構築する手法を提案する。
論文 参考訳（メタデータ） (2020-03-27T08:32:16Z) - Ego-based Entropy Measures for Structural Representations [42.37368082564481]
VNEstructは、低次元構造ノードの埋め込みを生成するための単純なアプローチである。
提案手法は各ノードの局所近傍に焦点をあて、フォン・ノイマンエントロピー(Von Neumann entropy)を用いる。
グラフ分類タスクでは、属性付きグラフ構造を拡張ノード属性の集合に変換するために生成された構造埋め込みの利用を提案する。
論文 参考訳（メタデータ） (2020-03-01T18:58:00Z)
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。