論文の概要: Contrastive Network Representation Learning

• arxiv url: http://arxiv.org/abs/2509.11316v1
• Date: Sun, 14 Sep 2025 15:25:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-16 17:26:23.027928
• Title: Contrastive Network Representation Learning
• Title（参考訳）: コントラスト型ネットワーク表現学習
• Authors: Zihan Dong, Xin Zhou, Ryumei Nakada, Lexin Li, Linjun Zhang,
• Abstract要約: ネットワーク表現学習は、ネットワークを低次元空間に埋め込み、構造的および意味的特性を保存しようとする。 本稿では,ネットワークエッジ埋め込みのための新しいコントラスト学習に基づく統計的アプローチを提案する。 本手法は,エッジ表現学習のための最小収束率を実現する。
• 参考スコア（独自算出の注目度）: 20.236657764682715
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Network representation learning seeks to embed networks into a low-dimensional space while preserving the structural and semantic properties, thereby facilitating downstream tasks such as classification, trait prediction, edge identification, and community detection. Motivated by challenges in brain connectivity data analysis that is characterized by subject-specific, high-dimensional, and sparse networks that lack node or edge covariates, we propose a novel contrastive learning-based statistical approach for network edge embedding, which we name as Adaptive Contrastive Edge Representation Learning (ACERL). It builds on two key components: contrastive learning of augmented network pairs, and a data-driven adaptive random masking mechanism. We establish the non-asymptotic error bounds, and show that our method achieves the minimax optimal convergence rate for edge representation learning. We further demonstrate the applicability of the learned representation in multiple downstream tasks, including network classification, important edge detection, and community detection, and establish the corresponding theoretical guarantees. We validate our method through both synthetic data and real brain connectivities studies, and show its competitive performance compared to the baseline method of sparse principal components analysis.
• Abstract（参考訳）: ネットワーク表現学習は、ネットワークを低次元空間に埋め込むとともに、構造的および意味的特性を保ち、分類、特性予測、エッジ識別、コミュニティ検出などの下流作業を容易にする。 ノードやエッジの共変を欠いた主観的,高次元,スパースネットワークを特徴とする脳接続データ解析の課題に乗じて,我々は適応コントラストエッジ表現学習(ACERL)と呼ばれる,ネットワークエッジの埋め込みに対する新しいコントラスト学習に基づく統計的アプローチを提案する。 拡張ネットワークペアのコントラスト学習と、データ駆動適応ランダムマスキング機構という、2つの重要なコンポーネントで構成されている。 我々は,非漸近誤差境界を確立し,エッジ表現学習のための最小収束率を達成することを示す。 さらに、ネットワーク分類、重要なエッジ検出、コミュニティ検出など、複数の下流タスクにおける学習表現の適用性を実証し、対応する理論的保証を確立する。 本手法は, 合成データと実脳結合性の両方を用いて検証し, スパース主成分分析のベースライン法と比較して, その競合性能を示す。

関連論文リスト

• Semantic Depth Matters: Explaining Errors of Deep Vision Networks through Perceived Class Similarities [0.0]
  本稿では,ネットワークが認識するセマンティック階層深度と,その実データ誤分類パターンとの関係を考察する新しいフレームワークを提案する。 モデル意味関係と誤認識のグラフに基づく可視化を提案する。 提案手法では,深い視覚ネットワークが特定の意味的階層を符号化し,認識されるクラス類似性と実際のエラーとの間のコンプライアンスを改善する。
  論文  参考訳（メタデータ） (2025-04-14T07:44:34Z)
• Mixed Graph Contrastive Network for Semi-Supervised Node Classification [63.924129159538076]
  我々はMixed Graph Contrastive Network(MGCN)と呼ばれる新しいグラフコントラスト学習手法を提案する。 本研究では,非摂動増強戦略と相関還元機構により,潜伏埋め込みの識別能力を向上する。 これら2つの設定を組み合わせることで、識別表現学習のために、豊富なノードと稀に価値あるラベル付きノードの両方から、豊富な監視情報を抽出する。
  論文  参考訳（メタデータ） (2022-06-06T14:26:34Z)
• 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)
• Anomaly Detection on Attributed Networks via Contrastive Self-Supervised Learning [50.24174211654775]
  本論文では,アトリビュートネットワーク上の異常検出のためのコントラスト型自己監視学習フレームワークを提案する。 このフレームワークは、新しいタイプのコントラストインスタンスペアをサンプリングすることで、ネットワークデータからのローカル情報を完全に活用します。 高次元特性と局所構造から情報埋め込みを学習するグラフニューラルネットワークに基づくコントラスト学習モデルを提案する。
  論文  参考訳（メタデータ） (2021-02-27T03:17:20Z)
• AttrE2vec: Unsupervised Attributed Edge Representation Learning [22.774159996012276]
  本稿では,アトリビュートネットワークにおけるエッジの低次元ベクトル表現を学習する新しい非教師付き誘導法AttrE2Vecを提案する。 実験により,現代の手法と比較して,より強力なエッジベクトル表現を構築した。
  論文  参考訳（メタデータ） (2020-12-29T12:20:49Z)
• SNoRe: Scalable Unsupervised Learning of Symbolic Node Representations [0.0]
  提案したSNoReアルゴリズムは、個々のネットワークノードのシンボリックで人間の理解可能な表現を学習することができる。 SNoReの解釈可能な特徴は、個々の予測を直接説明するのに適している。 SNoReのベクトル化実装は大規模ネットワークにスケールし、現代のネットワーク学習および分析タスクに適している。
  論文  参考訳（メタデータ） (2020-09-08T08:13:21Z)
• Learning Connectivity of Neural Networks from a Topological Perspective [80.35103711638548]
  本稿では,ネットワークを解析のための完全なグラフに表現するためのトポロジ的視点を提案する。 接続の規模を反映したエッジに学習可能なパラメータを割り当てることにより、学習プロセスを異なる方法で行うことができる。 この学習プロセスは既存のネットワークと互換性があり、より大きな検索空間と異なるタスクへの適応性を持っている。
  論文  参考訳（メタデータ） (2020-08-19T04:53:31Z)
• ReMarNet: Conjoint Relation and Margin Learning for Small-Sample Image Classification [49.87503122462432]
  ReMarNet(Relation-and-Margin Learning Network)と呼ばれるニューラルネットワークを導入する。 本手法は,上記2つの分類機構の双方において優れた性能を発揮する特徴を学習するために,異なるバックボーンの2つのネットワークを組み立てる。 4つの画像データセットを用いた実験により,本手法はラベル付きサンプルの小さな集合から識別的特徴を学習するのに有効であることが示された。
  論文  参考訳（メタデータ） (2020-06-27T13:50:20Z)
• Weakly-Supervised Semantic Segmentation by Iterative Affinity Learning [86.45526827323954]
  弱教師付きセマンティックセグメンテーションは、トレーニングのためにピクセル単位のラベル情報が提供されないため、難しい課題である。 このようなペア関係を学習するための反復アルゴリズムを提案する。 本稿では,提案アルゴリズムが最先端手法に対して好適に動作することを示す。
  論文  参考訳（メタデータ） (2020-02-19T10:32:03Z)

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。