論文の概要: PLANETALIGN: A Comprehensive Python Library for Benchmarking Network Alignment

• arxiv url: http://arxiv.org/abs/2505.21366v1
• Date: Tue, 27 May 2025 15:56:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-28 17:05:58.779011
• Title: PLANETALIGN: A Comprehensive Python Library for Benchmarking Network Alignment
• Title（参考訳）: PLANETALIGN:ネットワークアライメントのベンチマークのための総合Pythonライブラリ
• Authors: Qi Yu, Zhichen Zeng, Yuchen Yan, Zhining Liu, Baoyu Jing, Ruizhong Qiu, Ariful Azad, Hanghang Tong,
• Abstract要約: ネットワークアライメント(NA)は、異なるネットワーク間のノード対応を識別することを目的としている。 NAの研究が増えているにもかかわらず、NAメソッドの体系的な開発とベンチマークを容易にする包括的なライブラリが欠けている。 ネットワークアライメントのためのPythonライブラリであるPLANETALIGNを紹介します。
• 参考スコア（独自算出の注目度）: 51.927788705342266
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Network alignment (NA) aims to identify node correspondence across different networks and serves as a critical cornerstone behind various downstream multi-network learning tasks. Despite growing research in NA, there lacks a comprehensive library that facilitates the systematic development and benchmarking of NA methods. In this work, we introduce PLANETALIGN, a comprehensive Python library for network alignment that features a rich collection of built-in datasets, methods, and evaluation pipelines with easy-to-use APIs. Specifically, PLANETALIGN integrates 18 datasets and 14 NA methods with extensible APIs for easy use and development of NA methods. Our standardized evaluation pipeline encompasses a wide range of metrics, enabling a systematic assessment of the effectiveness, scalability, and robustness of NA methods. Through extensive comparative studies, we reveal practical insights into the strengths and limitations of existing NA methods. We hope that PLANETALIGN can foster a deeper understanding of the NA problem and facilitate the development and benchmarking of more effective, scalable, and robust methods in the future. The source code of PLANETALIGN is available at https://github.com/yq-leo/PlanetAlign.
• Abstract（参考訳）: ネットワークアライメント(NA)は、異なるネットワーク間のノード対応を識別することを目的としており、様々な下流マルチネットワーク学習タスクの背後にある重要な基盤となっている。 NAの研究が増えているにもかかわらず、NAメソッドの体系的な開発とベンチマークを容易にする包括的なライブラリが欠けている。 本研究では,ネットワークアライメントのためのPythonライブラリであるPLANETALIGNを紹介する。 具体的には、PLANETALIGNは18のデータセットと14のNAメソッドと拡張可能なAPIを統合し、NAメソッドの使いやすさと開発を容易にする。 我々の標準化された評価パイプラインは、幅広いメトリクスを包含し、NAメソッドの有効性、スケーラビリティ、堅牢性の体系的な評価を可能にします。 大規模な比較研究を通じて,既存のNA手法の強度と限界に関する実践的な洞察を明らかにした。 PLANETALIGNがNA問題をより深く理解し、より効率的でスケーラブルで堅牢なメソッドの開発とベンチマークを促進することを願っている。 PLANETALIGNのソースコードはhttps://github.com/yq-leo/PlanetAlign.comで公開されている。

関連論文リスト

• NNsight and NDIF: Democratizing Access to Open-Weight Foundation Model Internals [58.83169560132308]
  NNsightとNDIFを導入し、非常に大きなニューラルネットワークによって学習された表現と計算の科学的研究を可能にする。
  論文  参考訳（メタデータ） (2024-07-18T17:59:01Z)
• DBA-Fusion: Tightly Integrating Deep Dense Visual Bundle Adjustment with Multiple Sensors for Large-Scale Localization and Mapping [3.5047603107971397]
  トレーニング可能な高密度バンドル調整(DBA)を因子グラフを通じて多センサ情報と密に統合する。 視覚-慣性統合のためのパイプラインが最初に開発され、メカニカルスケールのローカライゼーションとマッピングの最小限の能力を提供する。 その結果,大規模環境におけるリアルタイム高密度マッピングを実現する手法として,より優れたローカライゼーション性能が得られた。
  論文  参考訳（メタデータ） (2024-03-20T16:20:54Z)
• GPr-Net: Geometric Prototypical Network for Point Cloud Few-Shot Learning [2.4366811507669115]
  GPr-Netは、点雲の原型位相を捉える軽量で計算効率の良い幾何学的ネットワークである。 GPr-Netは、ポイントクラウド上の数ショット学習において最先端の手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-04-12T17:32:18Z)
• Nearest Neighbor-Based Contrastive Learning for Hyperspectral and LiDAR Data Classification [45.026868970899514]
  本稿では,Nearest Neighbor-based Contrastive Learning Network (NNCNet)を提案する。 具体的には,近隣地域間のセマンティック関係を強化した近傍データ拡張手法を提案する。 さらに,HSIデータとLiDARデータ間の2次・高次特徴相互作用を生かしたバイリニアアテンションモジュールを設計する。
  論文  参考訳（メタデータ） (2023-01-09T13:43:54Z)
• PyRelationAL: a python library for active learning research and development [1.0061110876649197]
  アクティブラーニング(英: Active Learning, AL)は、反復的かつ経済的にデータを取得する手法の開発に焦点を当てたMLのサブフィールドである。 本稿では,AL研究のためのオープンソースライブラリであるPyRelationALを紹介する。 プールベースのアクティブラーニング戦略を構成するための2段階の設計方法論をベースとしたモジュラーツールキットについて述べる。
  論文  参考訳（メタデータ） (2022-05-23T08:21:21Z)
• LUNAR: Unifying Local Outlier Detection Methods via Graph Neural Networks [17.586486249721265]
  LUNARは、各ノードの最も近い隣人から、トレーニング可能な方法で情報を使用して異常を見つけることを学ぶ。 提案手法は,既存の局所的外れ値法や最先端の深層ベースラインよりも優れた性能を示す。
  論文  参考訳（メタデータ） (2021-12-10T06:50:32Z)
• Solo-learn: A Library of Self-supervised Methods for Visual Representation Learning [83.02597612195966]
  solo-learnは視覚表現学習のための自己指導型のメソッドのライブラリである。 Pythonで実装され、PytorchとPytorch Lightningを使用して、このライブラリは研究と業界のニーズの両方に適合する。
  論文  参考訳（メタデータ） (2021-08-03T22:19:55Z)
• Alpha-Refine: Boosting Tracking Performance by Precise Bounding Box Estimation [87.53808756910452]
  そこで我々は,Alpha-Refineと呼ばれる新しい,フレキシブルで高精度な改良モジュールを提案する。 正確なピクセルワイド相関層と空間認識の非局所層を利用して特徴を融合させ、バウンディングボックス、コーナー、マスクの3つの相補的な出力を予測する。 提案するAlpha-Refineモジュールは,DiMP,ATOM,SiamRPN++,RTMDNet,ECOの5つの有名かつ最先端のベーストラッカーに適用する。
  論文  参考訳（メタデータ） (2020-07-04T07:02:25Z)
• OSLNet: Deep Small-Sample Classification with an Orthogonal Softmax Layer [77.90012156266324]
  本稿では,ニューラルネットワークのサブスペースを見つけることを目的としている。 そこで本研究では,Orthogonal Softmax Layer (OSL) を提案する。 実験結果から,提案OSLは4つの小サンプルベンチマークデータセットとの比較に用いた手法よりも優れた性能を示した。
  論文  参考訳（メタデータ） (2020-04-20T02:41:01Z)
• Deep Learning based Pedestrian Inertial Navigation: Methods, Dataset and On-Device Inference [49.88536971774444]
  慣性測定ユニット(IMU)は小型で安価でエネルギー効率が良く、スマートデバイスや移動ロボットに広く使われている。 正確で信頼性の高い歩行者ナビゲーションをサポートするために慣性データをエクスプロイトすることは、新しいインターネット・オブ・シングス・アプリケーションやサービスにとって重要なコンポーネントである。 我々は、深層学習に基づく慣性ナビゲーション研究のための最初の公開データセットであるOxIOD(OxIOD)を提示、リリースする。
  論文  参考訳（メタデータ） (2020-01-13T04:41:54Z)

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。