論文の概要: Meta-learning optimizes predictions of missing links in real-world networks

• arxiv url: http://arxiv.org/abs/2508.09069v1
• Date: Tue, 12 Aug 2025 16:41:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-13 21:07:34.509548
• Title: Meta-learning optimizes predictions of missing links in real-world networks
• Title（参考訳）: メタ学習は、現実世界のネットワークにおけるリンク不足の予測を最適化する
• Authors: Bisman Singh, Lucy Van Kleunen, Aaron Clauset,
• Abstract要約: すべての入力ネットワークでアルゴリズムが最善であることを示す。 本稿では,この可変性を利用して個々のネットワークに対するリンク予測を最適化するメタ学習アルゴリズムを提案する。
• 参考スコア（独自算出の注目度）: 1.5976170220566237
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Relational data are ubiquitous in real-world data applications, e.g., in social network analysis or biological modeling, but networks are nearly always incompletely observed. The state-of-the-art for predicting missing links in the hard case of a network without node attributes uses model stacking or neural network techniques. It remains unknown which approach is best, and whether or how the best choice of algorithm depends on the input network's characteristics. We answer these questions systematically using a large, structurally diverse benchmark of 550 real-world networks under two standard accuracy measures (AUC and Top-k), comparing four stacking algorithms with 42 topological link predictors, two of which we introduce here, and two graph neural network algorithms. We show that no algorithm is best across all input networks, all algorithms perform well on most social networks, and few perform well on economic and biological networks. Overall, model stacking with a random forest is both highly scalable and surpasses on AUC or is competitive with graph neural networks on Top-k accuracy. But, algorithm performance depends strongly on network characteristics like the degree distribution, triangle density, and degree assortativity. We introduce a meta-learning algorithm that exploits this variability to optimize link predictions for individual networks by selecting the best algorithm to apply, which we show outperforms all state-of-the-art algorithms and scales to large networks.
• Abstract（参考訳）: リレーショナルデータは、ソーシャルネットワークの分析や生物学的モデリングなど、現実世界のデータアプリケーションではユビキタスであるが、ネットワークはほとんど常に不完全である。 ノード属性のないネットワークのハードケースにおけるリンク不足を予測するための最先端技術は、モデルスタックやニューラルネットワーク技術を使用している。 どのアプローチが最適か、アルゴリズムの最良の選択が入力ネットワークの特性に依存するかどうかは不明だ。 2つの標準精度尺度(AUCとTop-k)の下で、550の現実世界ネットワークの大規模で構造的に多様なベンチマークを用いて、これらの質問に答え、42のトポロジカルリンク予測器と2つのグラフニューラルネットワークアルゴリズムを比較した。 どのアルゴリズムも全ての入力ネットワークで最適であり、全てのアルゴリズムはほとんどのソーシャルネットワークでよく機能し、経済や生物学的ネットワークでよく機能することはない。 全体として、ランダムなフォレストによるモデルスタックは、高度にスケーラブルであり、AUCを上回っているか、Top-kの精度でグラフニューラルネットワークと競合している。 しかし、アルゴリズムの性能は、次数分布、三角形密度、次数アスカニティといったネットワーク特性に強く依存する。 我々は,この可変性を利用したメタ学習アルゴリズムを導入し,適用すべき最適なアルゴリズムを選択することにより,個々のネットワークに対するリンク予測を最適化する。

関連論文リスト

• Coverage Analysis of Multi-Environment Q-Learning Algorithms for Wireless Network Optimization [18.035417008213077]
  最近の進歩には、アンサンブルマルチ環境ハイブリッドQ-ラーニングアルゴリズムが含まれる。 提案アルゴリズムは,現状の強化学習アルゴリズムよりも,ポリシエラーの50パーセント,実行時複雑性の40パーセントを達成可能であることを示す。
  論文  参考訳（メタデータ） (2024-08-29T20:09:20Z)
• 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)
• Towards Better Out-of-Distribution Generalization of Neural Algorithmic Reasoning Tasks [51.8723187709964]
  ニューラルネットワーク推論タスクのOOD一般化について検討する。 目標は、ディープニューラルネットワークを使用して入出力ペアからアルゴリズムを学ぶことである。
  論文  参考訳（メタデータ） (2022-11-01T18:33:20Z)
• TeleGraph: A Benchmark Dataset for Hierarchical Link Prediction [11.051062214108894]
  リンク予測は、ネットワーク構造データにとって重要な問題であり、その多様な応用のためにかなりの研究努力を惹きつける。 本稿では,豊富なノード属性に関連付けられた,疎結合で階層的な通信ネットワークであるTeleGraphのベンチマークデータセットを提案する。 私たちの経験的結果は、ほとんどのアルゴリズムが、ほぼ木のようなデータセット上で満足できるパフォーマンスを得られていないことを示唆しています。
  論文  参考訳（メタデータ） (2022-04-16T03:01:10Z)
• Unsupervised Domain-adaptive Hash for Networks [81.49184987430333]
  ドメイン適応型ハッシュ学習はコンピュータビジョンコミュニティでかなりの成功を収めた。 UDAHと呼ばれるネットワークのための教師なしドメイン適応型ハッシュ学習手法を開発した。
  論文  参考訳（メタデータ） (2021-08-20T12:09:38Z)
• Hashing-Accelerated Graph Neural Networks for Link Prediction [14.806621296069649]
  リンク予測のために、#GNNはハミング空間のノード表現を効率的に取得できる。 リンク予測のために、#GNNはハミング空間のノード表現を効率的に取得できる。
  論文  参考訳（メタデータ） (2021-05-29T12:04:27Z)
• Learning Structures for Deep Neural Networks [99.8331363309895]
  我々は,情報理論に根ざし,計算神経科学に発達した効率的な符号化原理を採用することを提案する。 スパース符号化は出力信号のエントロピーを効果的に最大化できることを示す。 公開画像分類データセットを用いた実験により,提案アルゴリズムでスクラッチから学習した構造を用いて,最も優れた専門家設計構造に匹敵する分類精度が得られることを示した。
  論文  参考訳（メタデータ） (2021-05-27T12:27:24Z)
• MODEL: Motif-based Deep Feature Learning for Link Prediction [23.12527010960999]
  本稿では,ネットワークモチーフを組み込んだ新しい埋め込みアルゴリズムを提案する。 実験は、ソーシャルネットワーク、生物学的ネットワーク、学術ネットワークの3種類のネットワークで実施された。 我々のアルゴリズムは従来の類似性に基づくアルゴリズムを20%、組込み型アルゴリズムを19%上回っている。
  論文  参考訳（メタデータ） (2020-08-09T03:39:28Z)
• Communication-Efficient Distributed Stochastic AUC Maximization with Deep Neural Networks [50.42141893913188]
  本稿では,ニューラルネットワークを用いた大規模AUCのための分散変数について検討する。 我々のモデルは通信ラウンドをはるかに少なくし、理論上はまだ多くの通信ラウンドを必要としています。 いくつかのデータセットに対する実験は、我々の理論の有効性を示し、我々の理論を裏付けるものである。
  論文  参考訳（メタデータ） (2020-05-05T18:08:23Z)

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。