論文の概要: Pre-trained Prompt-driven Community Search
- arxiv url: http://arxiv.org/abs/2505.12304v1
- Date: Sun, 18 May 2025 08:36:37 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-05-20 14:57:11.153918
- Title: Pre-trained Prompt-driven Community Search
- Title（参考訳）: 事前学習型プロンプト駆動型コミュニティサーチ
- Authors: Li Ni, Hengkai Xu, Lin Mu, Yiwen Zhang, Wenjian Luo,
- Abstract要約: 「プレトレイン・プロンプト」パラダイムは様々なグラフベースのタスクで広く採用されている。
本稿では,検索精度と効率性を向上する新しいモデルであるPPCS(Pre-trained Prompt-driven Community Search)を提案する。
PPCSはノードエンコーディング、サンプル生成、プロンプト駆動の微調整の3つの主要コンポーネントで構成されている。
- 参考スコア（独自算出の注目度）: 6.120128190130239
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The "pre-train, prompt" paradigm is widely adopted in various graph-based tasks and has shown promising performance in community detection. Most existing semi-supervised community detection algorithms detect communities based on known ones, and the detected communities typically do not contain the given query node. Therefore, they are not suitable for searching the community of a given node. Motivated by this, we adopt this paradigm into the semi-supervised community search for the first time and propose Pre-trained Prompt-driven Community Search (PPCS), a novel model designed to enhance search accuracy and efficiency. PPCS consists of three main components: node encoding, sample generation, and prompt-driven fine-tuning. Specifically, the node encoding component employs graph neural networks to learn local structural patterns of nodes in a graph, thereby obtaining representations for nodes and communities. Next, the sample generation component identifies an initial community for a given node and selects known communities that are structurally similar to the initial one as training samples. Finally, the prompt-driven fine-tuning component leverages these samples as prompts to guide the final community prediction. Experimental results on five real-world datasets demonstrate that PPCS performs better than baseline algorithms. It also achieves higher community search efficiency than semi-supervised community search baseline methods, with ablation studies verifying the effectiveness of each component of PPCS.
- Abstract（参考訳）: プレトレイン、プロンプト」パラダイムは、様々なグラフベースのタスクで広く採用されており、コミュニティ検出において有望なパフォーマンスを示している。
既存の半教師付きコミュニティ検出アルゴリズムは、既知のコミュニティに基づいてコミュニティを検出するが、検出されたコミュニティは通常、与えられたクエリノードを含まない。
したがって、与えられたノードのコミュニティを探すのには適していない。
そこで我々は,このパラダイムを初めて半教師付きコミュニティサーチに適用し,検索精度と効率を向上させるための新しいモデルであるPCS(Pre-trained Prompt-driven Community Search)を提案する。
PPCSはノードエンコーディング、サンプル生成、プロンプト駆動の微調整の3つの主要コンポーネントで構成されている。
具体的には、ノード符号化コンポーネントはグラフニューラルネットワークを使用して、グラフ内のノードの局所的な構造パターンを学習し、ノードとコミュニティの表現を取得する。
次に、サンプル生成コンポーネントは、与えられたノードの初期コミュニティを特定し、初期と構造的に類似した既知のコミュニティをトレーニングサンプルとして選択する。
最後に、プロンプト駆動の微調整コンポーネントは、これらのサンプルを最後のコミュニティ予測を導くプロンプトとして利用する。
5つの実世界のデータセットによる実験結果から,PPCSはベースラインアルゴリズムよりも優れた性能を示した。
また,PPCSの各コンポーネントの有効性を検証し,半教師付きコミュニティサーチベースライン法よりも高いコミュニティサーチ効率を実現する。
関連論文リスト
- A Local Perspective-based Model for Overlapping Community Detection [0.06206748337438322]
地域コミュニティの観点から重なり合うコミュニティ検出モデルであるLQ-GCNを提案する。
LQ-GCNはBernoulli-Poissonモデルを用いてコミュニティアフィリエイトマトリックスを構築し、エンドツーエンド検出フレームワークを形成する。
LQ-GCNは、正規化された相互情報(NMI)が最大33%改善され、リコールが26.3%改善された。
論文 参考訳（メタデータ） (2025-03-27T14:43:42Z) - A Unified Framework for Exploratory Learning-Aided Community Detection Under Topological Uncertainty [14.903452009770715]
META-CODEは、ソーシャルネットワークにおける重複コミュニティを検出する統合フレームワークである。
1)新たな再構築損失によってトレーニングされたグラフニューラルネットワーク(GNN)に基づくノードレベルのコミュニティアフィリエイト埋め込み,2)コミュニティアフィリエイトベースのノードクエリによるネットワーク探索,3)エッジ接続に基づくSiameseニューラルネットワークモデルを用いたネットワーク推論,の3つのステップで構成されている。
論文 参考訳（メタデータ） (2023-04-10T10:22:21Z) - CS-TGN: Community Search via Temporal Graph Neural Networks [0.0]
本稿では,フレキシブルなコミュニティ構造をキャプチャ可能なクエリ駆動型時間グラフ畳み込みネットワーク(CS-TGN)を提案する。
CS-TGNはまず、ローカルクエリ依存構造と、ネットワークの各スナップショットにグローバルグラフを埋め込む。
我々は,このモデルをオンライン環境でインタラクティブなコミュニティ検索に活用する方法を実証する。
論文 参考訳（メタデータ） (2023-03-15T22:23:32Z) - META-CODE: Community Detection via Exploratory Learning in Topologically
Unknown Networks [5.299515147443958]
META-CODEは、未知のトポロジを持つネットワーク内の重複するコミュニティを検出するエンドツーエンドのソリューションである。
1)ネットワークの初期推定,2)グラフニューラルネットワーク(GNN)に基づくノードレベルのコミュニティアフィリエイト埋め込み,3)コミュニティアフィリエイトベースのノードクエリによるネットワーク探索,の3つのステップで構成されている。
論文 参考訳（メタデータ） (2022-08-23T15:02:48Z) - A Variational Edge Partition Model for Supervised Graph Representation
Learning [51.30365677476971]
本稿では,重なり合うノード群間の相互作用を集約することで,観測されたエッジがどのように生成されるかをモデル化するグラフ生成プロセスを提案する。
それぞれのエッジを複数のコミュニティ固有の重み付きエッジの和に分割し、コミュニティ固有のGNNを定義する。
エッジを異なるコミュニティに分割するGNNベースの推論ネットワーク,これらのコミュニティ固有のGNN,およびコミュニティ固有のGNNを最終分類タスクに組み合わせたGNNベースの予測器を共同で学習するために,変分推論フレームワークを提案する。
論文 参考訳（メタデータ） (2022-02-07T14:37:50Z) - Frequent Itemset-driven Search for Finding Minimum Node Separators in
Complex Networks [61.2383572324176]
本稿では,データマイニングにおける頻繁なアイテムセットマイニングの概念をよく知られたメメティック検索フレームワークに統合する,頻繁なアイテムセット駆動探索手法を提案する。
頻繁なアイテムセット組換え演算子を反復的に使用して、高品質なソリューションで頻繁に発生するアイテムセットに基づいた有望な子孫ソリューションを生成する。
特に、29個の新しい上界を発見し、以前の18個の最もよく知られた境界と一致する。
論文 参考訳（メタデータ） (2022-01-18T11:16:40Z) - QD-GCN: Query-Driven Graph Convolutional Networks for Attributed
Community Search [54.42038098426504]
QD-GCNは、ACS問題を解決するために、コミュニティ構造とノード属性を統一するエンドツーエンドフレームワークである。
本稿では、QD-GCNが既存の属性付きコミュニティ検索アルゴリズムを効率性と有効性の両方で上回ることを示す。
論文 参考訳（メタデータ） (2021-04-08T07:52:48Z) - Variational Embeddings for Community Detection and Node Representation [5.197034517903854]
コミュニティ検出とノード表現のための変分埋め込みを共同学習するためのVECoDeRと呼ばれる効率的な生成モデルを提案する。
我々は、VECoDeRが3つのタスクすべてで多くの競合ベースラインを効果的に上回るいくつかのグラフデータセットを実証します。
論文 参考訳（メタデータ） (2021-01-11T13:36:29Z) - Amortized Probabilistic Detection of Communities in Graphs [39.56798207634738]
そこで我々は,アモータイズされたコミュニティ検出のためのシンプルなフレームワークを提案する。
我々はGNNの表現力と最近のアモータイズクラスタリングの手法を組み合わせる。
我々は、合成および実データセットに関するフレームワークから、いくつかのモデルを評価する。
論文 参考訳（メタデータ） (2020-10-29T16:18:48Z) - 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)
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。