論文の概要: MSGCN: Multiplex Spatial Graph Convolution Network for Interlayer Link Weight Prediction

• arxiv url: http://arxiv.org/abs/2504.17749v1
• Date: Thu, 24 Apr 2025 17:08:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-02 19:15:53.47655
• Title: MSGCN: Multiplex Spatial Graph Convolution Network for Interlayer Link Weight Prediction
• Title（参考訳）: MSGCN:層間リンク重み予測のための多重空間グラフ畳み込みネットワーク
• Authors: Steven E. Wilson, Sina Khanmohammadi,
• Abstract要約: リンクウェイト予測は、バイナリリンク分類に比べて複雑さが増すため、より強調されている。 本稿では,複数層にまたがって情報を空間的に埋め込み,層間リンク重みを推定する多層空間グラフ畳み込みネットワーク(MSGCN)を提案する。 MSGCNモデルは空間グラフの畳み込みを多重ネットワークに一般化し、複数の層にまたがるノードの幾何学的構造を捉える。
• 参考スコア（独自算出の注目度）: 0.27624021966289597
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graph Neural Networks (GNNs) have been widely used for various learning tasks, ranging from node classification to link prediction. They have demonstrated excellent performance in multiple domains involving graph-structured data. However, an important category of learning tasks, namely link weight prediction, has received less emphasis due to its increased complexity compared to binary link classification. Link weight prediction becomes even more challenging when considering multilayer networks, where nodes can be interconnected across multiple layers. To address these challenges, we propose a new method named Multiplex Spatial Graph Convolution Network (MSGCN), which spatially embeds information across multiple layers to predict interlayer link weights. The MSGCN model generalizes spatial graph convolution to multiplex networks and captures the geometric structure of nodes across multiple layers. Extensive experiments using data with known interlayer link information show that the MSGCN model has robust, accurate, and generalizable link weight prediction performance across a wide variety of multiplex network structures.
• Abstract（参考訳）: グラフニューラルネットワーク(GNN)は,ノード分類からリンク予測に至るまで,さまざまな学習タスクに広く利用されている。 グラフ構造化データを含む複数の領域において優れた性能を示した。 しかし、リンク重み予測という学習課題の重要なカテゴリは、二進的リンク分類に比べて複雑さが増すため、あまり強調されなかった。 複数の層にまたがってノードを相互接続できるマルチレイヤネットワークを考えると、リンク重量予測はさらに困難になる。 これらの課題に対処するために,複数層にまたがる情報を空間的に埋め込み,層間リンクの重みを推定する,多重空間グラフ畳み込みネットワーク (MSGCN) という新しい手法を提案する。 MSGCNモデルは空間グラフの畳み込みを多重ネットワークに一般化し、複数の層にまたがるノードの幾何学的構造を捉える。 既知層間リンク情報を用いた大規模実験により,MSGCNモデルは多種多様な多重ネットワーク構造に対して,堅牢で正確かつ一般化可能なリンクウェイト予測性能を有することが示された。

関連論文リスト

• CNN2GNN: How to Bridge CNN with GNN [59.42117676779735]
  蒸留によりCNNとGNNを統一する新しいCNN2GNNフレームワークを提案する。 Mini-ImageNetにおける蒸留ブースターの2層GNNの性能は、ResNet152のような数十層を含むCNNよりもはるかに高い。
  論文  参考訳（メタデータ） (2024-04-23T08:19:08Z)
• BLIS-Net: Classifying and Analyzing Signals on Graphs [20.345611294709244]
  グラフニューラルネットワーク(GNN)は、ノード分類やグラフ分類といったタスクのための強力なツールとして登場した。 我々は以前に導入された幾何散乱変換に基づいて構築された新しいGNNであるBLIS-Net(Bi-Lipschitz Scattering Net)を紹介する。 BLIS-Netは,交通流とfMRIデータに基づいて,合成データと実世界のデータの両方において優れた性能を発揮することを示す。
  論文  参考訳（メタデータ） (2023-10-26T17:03:14Z)
• Network Intrusion Detection with Edge-Directed Graph Multi-Head Attention Networks [13.446986347747325]
  本稿では,ネットワーク侵入検出のためのエッジ指向グラフマルチヘッドアテンションネットワーク(EDGMAT)を提案する。 EDGMATモデルでは,侵入検知モデルにマルチヘッドアテンション機構を導入し,マルチヘッドアテンション機構とエッジ特徴を組み合わせた付加的な重み学習を実現する。
  論文  参考訳（メタデータ） (2023-10-26T12:30:11Z)
• AGNN: Alternating Graph-Regularized Neural Networks to Alleviate Over-Smoothing [29.618952407794776]
  グラフ畳み込み層(GCL)とグラフ埋め込み層(GEL)からなる交代グラフ正規化ニューラルネットワーク(AGNN)を提案する。 GELはラプラシアン埋め込み項を含むグラフ正規化最適化から導かれる。 AGNNは、いくつかの多層または多次グラフニューラルネットワークのパフォーマンス比較を含む、多数の実験を通じて評価されている。
  論文  参考訳（メタデータ） (2023-04-14T09:20:03Z)
• 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)
• MGAE: Masked Autoencoders for Self-Supervised Learning on Graphs [55.66953093401889]
  Masked Graph Autoencoder (MGAE) フレームワークは、グラフ構造データの効果的な学習を行う。 自己指導型学習から洞察を得て、私たちはランダムに大量のエッジを隠蔽し、トレーニング中に欠落したエッジを再構築しようとします。
  論文  参考訳（メタデータ） (2022-01-07T16:48:07Z)
• ACE-HGNN: Adaptive Curvature Exploration Hyperbolic Graph Neural Network [72.16255675586089]
  本稿では、入力グラフと下流タスクに基づいて最適な曲率を適応的に学習する適応曲率探索ハイパーボリックグラフニューラルネットワークACE-HGNNを提案する。 複数の実世界のグラフデータセットの実験は、競争性能と優れた一般化能力を備えたモデル品質において、顕著で一貫したパフォーマンス改善を示す。
  論文  参考訳（メタデータ） (2021-10-15T07:18:57Z)
• Spatio-Temporal Inception Graph Convolutional Networks for Skeleton-Based Action Recognition [126.51241919472356]
  我々はスケルトンに基づく行動認識のためのシンプルで高度にモジュール化されたグラフ畳み込みネットワークアーキテクチャを設計する。 ネットワークは,空間的および時間的経路から多粒度情報を集約するビルディングブロックを繰り返すことで構築される。
  論文  参考訳（メタデータ） (2020-11-26T14:43:04Z)
• Graph Cross Networks with Vertex Infomax Pooling [69.38969610952927]
  グラフの複数スケールから包括的特徴学習を実現するための新しいグラフクロスネットワーク(GXN)を提案する。 グラフのトレーニング可能な階層表現に基づいて、GXNは、スケール間で中間的特徴の交換を可能にし、情報フローを促進する。
  論文  参考訳（メタデータ） (2020-10-05T06:34:23Z)
• A Multiscale Graph Convolutional Network Using Hierarchical Clustering [0.0]
  マルチスケールの分解によってこの情報を活用する新しいアーキテクチャを探索する。 デンドログラムは、Girvan-Newman階層的クラスタリングアルゴリズムによって生成される。 アーキテクチャはベンチマーク引用ネットワーク上でテストされ、競合性能を実証する。
  論文  参考訳（メタデータ） (2020-06-22T18:13:03Z)

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。