論文の概要: Structured Information Loss in Network Embeddings
- arxiv url: http://arxiv.org/abs/2509.12396v1
- Date: Mon, 15 Sep 2025 19:41:24 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-09-17 17:50:52.742026
- Title: Structured Information Loss in Network Embeddings
- Title（参考訳）: ネットワーク埋め込みにおける構造化情報損失
- Authors: Gabriel Chuang, Augustin Chaintreau,
- Abstract要約: 我々は、学習した表現がグラフの生成モデルを完全に、部分的に、あるいは全くコードする条件を明示的に特徴付ける、ネットワーク埋め込みのための単純なアルゴリズムを解析する。
コミュニティ検出とリンク予測に影響を及ぼすことを示す。
- 参考スコア（独自算出の注目度）: 0.5672132510411464
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We analyze a simple algorithm for network embedding, explicitly characterizing conditions under which the learned representation encodes the graph's generative model fully, partially, or not at all. In cases where the embedding loses some information (i.e., is not invertible), we describe the equivalence classes of graphons that map to the same embedding, finding that these classes preserve community structure but lose substantial density information. Finally, we show implications for community detection and link prediction. Our results suggest strong limitations on the effectiveness of link prediction based on embeddings alone, and we show common conditions under which naive link prediction adds edges in a disproportionate manner that can either mitigate or exacerbate structural biases.
- Abstract（参考訳）: 我々は、学習した表現がグラフの生成モデルを完全に、部分的に、あるいは全くコードする条件を明示的に特徴付ける、ネットワーク埋め込みのための単純なアルゴリズムを解析する。
埋め込みが何らかの情報を失う場合(つまり、可逆ではない)、同じ埋め込みにマップされるグラフンの同値類を記述し、これらのクラスがコミュニティ構造を保持するが、相当な密度情報を失うことを発見する。
最後に,コミュニティ検出とリンク予測の意義を示す。
本研究は, 埋め込みのみに基づくリンク予測の有効性に強い限界があることを示唆し, 構造バイアスを緩和あるいは悪化させるような不均質な方法で, 有意なリンク予測がエッジを付加する共通条件を示す。
関連論文リスト
- A Signed Graph Approach to Understanding and Mitigating Oversmoothing in GNNs [54.62268052283014]
署名されたグラフの枠組みに基づく統一的な理論的視点を示す。
既存の戦略の多くは、メッセージパッシングを変えて過度な操作に抵抗する負のエッジを暗黙的に導入している。
本稿では,ラベルや特徴の類似性に基づいて署名されたエッジを割り当てるプラグイン・アンド・プレイ方式であるStructure Balanced Propagation (SBP)を提案する。
論文 参考訳（メタデータ） (2025-02-17T03:25:36Z) - Conformal Prediction for Federated Graph Neural Networks with Missing Neighbor Information [2.404163279345609]
本研究は,連合グラフ学習へのコンフォーマル予測の適用性を拡張した。
分散サブグラフにおけるリンク不足問題に対処し、CPセットサイズに対する悪影響を最小限に抑える。
本稿では,欠落したデータに対する負の影響を軽減するために,変分オートエンコーダに基づく近隣住民の再構築手法を提案する。
論文 参考訳（メタデータ） (2024-10-17T20:22:25Z) - Learning to Model Graph Structural Information on MLPs via Graph Structure Self-Contrasting [50.181824673039436]
本稿では,グラフ構造情報をメッセージパッシングなしで学習するグラフ構造自己コントラスト(GSSC)フレームワークを提案する。
提案するフレームワークは,構造情報を事前知識として暗黙的にのみ組み込む,MLP(Multi-Layer Perceptrons)に基づいている。
これはまず、近傍の潜在的非形式的あるいはノイズの多いエッジを取り除くために構造的スペーシングを適用し、その後、スペーシングされた近傍で構造的自己コントラストを行い、ロバストなノード表現を学ぶ。
論文 参考訳（メタデータ） (2024-09-09T12:56:02Z) - Learning Latent Graph Structures and their Uncertainty [63.95971478893842]
点予測損失の最小化は、潜時関係情報の適切な学習を保証するものではないことを示す。
本稿では,この共同学習課題を解決するサンプリングベース手法を提案する。
論文 参考訳（メタデータ） (2024-05-30T10:49:22Z) - Semantic Loss Functions for Neuro-Symbolic Structured Prediction [74.18322585177832]
このような構造に関する知識を象徴的に定義した意味的損失をトレーニングに注入する。
記号の配置に非依存であり、それによって表現される意味論にのみ依存する。
識別型ニューラルモデルと生成型ニューラルモデルの両方と組み合わせることができる。
論文 参考訳（メタデータ） (2024-05-12T22:18:25Z) - Revisiting Robustness in Graph Machine Learning [1.5293427903448025]
グラフニューラルネットワーク(GNN)のノードレベルの予測は、小さく、しばしば逆数と呼ばれるグラフ構造の変更に対して損なわれないことが、多くの研究で示されている。
本稿では, 意味的内容の変化を意識した, 逆数グラフのより原理的な概念を導入する。
トレーニンググラフのラベル構造をGNNの推論プロセスに含めると、過酷さが著しく減少することがわかった。
論文 参考訳（メタデータ） (2023-05-01T14:39:55Z) - BSAL: A Framework of Bi-component Structure and Attribute Learning for
Link Prediction [33.488229191263564]
トポロジや特徴空間からの情報を適応的に活用する二成分構造・属性学習フレームワーク(BSAL)を提案する。
BSALはノード属性を介してセマンティックトポロジを構築し、セマンティックビューに関する埋め込みを取得する。
ノード属性が持つ情報を適応的に組み込む、フレキシブルで実装が容易なソリューションを提供する。
論文 参考訳（メタデータ） (2022-04-18T03:12:13Z) - CSNE: Conditional Signed Network Embedding [77.54225346953069]
署名されたネットワークは、友人/フォアや信頼/不信のようなエンティティ間の正と負の関係を符号化する。
サイン予測のための既存の埋め込み手法は、一般に最適化関数におけるステータスやバランス理論の異なる概念を強制する。
条件付き符号付きネットワーク埋め込み(CSNE)を導入する。
我々の確率論的アプローチは、きめ細かな詳細とは別途、ネットワーク内の記号に関する構造情報をモデル化する。
論文 参考訳（メタデータ） (2020-05-19T19:14:52Z)
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。