論文の概要: Fast Geometric Embedding for Node Influence Maximization

• arxiv url: http://arxiv.org/abs/2506.07435v1
• Date: Mon, 09 Jun 2025 05:21:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-10 16:33:10.811129
• Title: Fast Geometric Embedding for Node Influence Maximization
• Title（参考訳）: ノード影響最大化のための高速な幾何学的埋め込み
• Authors: Alexander Kolpakov, Igor Rivin,
• Abstract要約: 低次元空間にグラフを埋め込む効率的な力配置アルゴリズムを導入する。 アプリケーションとして、提案した埋め込みにより、ネットワーク内の高影響ノードを見つけることができ、標準のgreedyアルゴリズムの高速でスケーラブルな代替手段を提供することがわかった。
• 参考スコア（独自算出の注目度）: 49.84018914962972
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Computing classical centrality measures such as betweenness and closeness is computationally expensive on large-scale graphs. In this work, we introduce an efficient force layout algorithm that embeds a graph into a low-dimensional space, where the radial distance from the origin serves as a proxy for various centrality measures. We evaluate our method on multiple graph families and demonstrate strong correlations with degree, PageRank, and paths-based centralities. As an application, it turns out that the proposed embedding allows to find high-influence nodes in a network, and provides a fast and scalable alternative to the standard greedy algorithm.
• Abstract（参考訳）: 間性や近接性といった古典的な中央集中度を計算することは、大規模グラフ上で計算的に高価である。 本研究では,グラフを低次元空間に埋め込んだ効率的な力配置アルゴリズムを提案する。 提案手法を複数のグラフファミリ上で評価し,次数,PageRank,パスに基づく集中度と強い相関関係を示す。 アプリケーションとして、提案した埋め込みにより、ネットワーク内の高影響ノードを見つけることができ、標準のgreedyアルゴリズムの高速でスケーラブルな代替手段を提供することがわかった。

関連論文リスト

• CoRe-GD: A Hierarchical Framework for Scalable Graph Visualization with GNNs [20.706469085872516]
  我々は、ストレスの最適化を学習できるサブクワッドラティックを備えたスケーラブルなグラフニューラルネットワーク(GNN)ベースのグラフ描画フレームワークを導入する。 古典的応力最適化手法と強制指向レイアウトアルゴリズムに着想を得て,入力グラフの粗い階層を生成する。 ネットワーク内の情報伝達を強化するために,新しい位置変換手法を提案する。
  論文  参考訳（メタデータ） (2024-02-09T10:50:45Z)
• T-GAE: Transferable Graph Autoencoder for Network Alignment [79.89704126746204]
  T-GAEはグラフオートエンコーダフレームワークで、GNNの転送性と安定性を活用して、再トレーニングなしに効率的なネットワークアライメントを実現する。 実験の結果、T-GAEは最先端の最適化手法と最高のGNN手法を最大38.7%、50.8%で上回っていることがわかった。
  論文  参考訳（メタデータ） (2023-10-05T02:58:29Z)
• Data-heterogeneity-aware Mixing for Decentralized Learning [63.83913592085953]
  グラフの混合重みとノード間のデータ不均一性の関係に収束の依存性を特徴付ける。 グラフが現在の勾配を混合する能力を定量化する計量法を提案する。 そこで本研究では,パラメータを周期的かつ効率的に最適化する手法を提案する。
  論文  参考訳（メタデータ） (2022-04-13T15:54:35Z)
• Approximating Network Centrality Measures Using Node Embedding and Machine Learning [0.0]
  本稿では,ニューラルネットワークとグラフ埋め込み技術を用いて,大規模ネットワークにおけるノード中心性を効率的に近似する手法を提案する。 提案手法は,グラフ埋め込み (NCA-GE) を用いたネットワーク中央性近似 (Network Centrality Approximation) と題され,グラフの隣接行列と各ノードの機能セットを用いる。 NCA-GEは、グラフのエッジの集合である$O(|E|)$, $E$の時間複雑性を持ち、大きなネットワークに適している。
  論文  参考訳（メタデータ） (2020-06-29T21:19:40Z)
• Quantized Decentralized Stochastic Learning over Directed Graphs [54.005946490293496]
  有向グラフ上で通信する計算ノード間でデータポイントが分散される分散学習問題を考える。 モデルのサイズが大きくなるにつれて、分散学習は、各ノードが隣人にメッセージ(モデル更新)を送信することによる通信負荷の大きなボトルネックに直面します。 本稿では,分散コンセンサス最適化におけるプッシュサムアルゴリズムに基づく有向グラフ上の量子化分散学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-02-23T18:25:39Z)

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。