論文の概要: Node Classification via Simplicial Interaction with Augmented Maximal Clique Selection

• arxiv url: http://arxiv.org/abs/2509.23568v1
• Date: Sun, 28 Sep 2025 01:57:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-30 22:32:19.294524
• Title: Node Classification via Simplicial Interaction with Augmented Maximal Clique Selection
• Title（参考訳）: 最大傾き選択による単純な相互作用によるノード分類
• Authors: Eunho Koo, Tongseok Lim,
• Abstract要約: 本稿では,ネットワーク内の高次相互作用を扱うために,拡張された最大斜め戦略を提案する。 最大傾きのみを使用することで、不要なオーバーラップを低減し、ネットワークの簡潔な表現を提供することができる。 我々の戦略は、高次ネットワーク学習のための計算効率が高く効果的なソリューションを提供する。
• 参考スコア（独自算出の注目度）: 1.9336815376402718
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Considering higher-order interactions allows for a more comprehensive understanding of network structures beyond simple pairwise connections. While leveraging all cliques in a network to handle higher-order interactions is intuitive, it often leads to computational inefficiencies due to overlapping information between higher-order and lower-order cliques. To address this issue, we propose an augmented maximal clique strategy. Although using only maximal cliques can reduce unnecessary overlap and provide a concise representation of the network, certain nodes may still appear in multiple maximal cliques, resulting in imbalanced training data. Therefore, our augmented maximal clique approach selectively includes some non-maximal cliques to mitigate the overrepresentation of specific nodes and promote more balanced learning across the network. Comparative analyses on synthetic networks and real-world citation datasets demonstrate that our method outperforms approaches based on pairwise interactions, all cliques, or only maximal cliques. Finally, by integrating this strategy into GNN-based semi-supervised learning, we establish a link between maximal clique-based methods and GNNs, showing that incorporating higher-order structures improves predictive accuracy. As a result, the augmented maximal clique strategy offers a computationally efficient and effective solution for higher-order network learning.
• Abstract（参考訳）: 高次の相互作用を考えると、単純なペアワイズ接続以上のネットワーク構造をより包括的に理解することができる。 高階の相互作用を扱うためにネットワーク内のすべてのcliqueを利用するのは直感的であるが、高階のcliqueと低階のcliqueの重なり合うため、計算の非効率につながることが多い。 この問題に対処するため,我々は最大斜角戦略の拡張を提案する。 最大傾きのみを使用することで、不要なオーバーラップを低減し、ネットワークの簡潔な表現を提供することができるが、特定のノードは依然として複数の最大傾きに現れ、結果として不均衡なトレーニングデータが得られる。 したがって, 拡張最大傾きアプローチは, 特定のノードの過剰表現を緩和し, ネットワーク間のよりバランスの取れた学習を促進するために, 非最大傾きを選択的に含む。 合成ネットワークと実世界の引用データセットの比較分析により,本手法は対の相互作用,すべての傾き,最大傾きのみに基づくアプローチよりも優れていることが示された。 最後に、この戦略をGNNに基づく半教師付き学習に統合することにより、最大斜め法とGNNとのリンクを確立し、高次構造の導入により予測精度が向上することを示す。 結果として、高次ネットワーク学習のための計算効率が高く効果的な解が拡張最大斜め戦略によって提供される。

関連論文リスト

• Unsupervised Ordering for Maximum Clique [30.652280460904375]
  我々は制約を、頂点の順序がclique構造と整列するように幾何学的関係に変換する。 この斜め方向の順序付けを分岐・分岐探索に統合することにより,探索効率を向上し,計算ステップの数を削減できる。
  論文  参考訳（メタデータ） (2025-03-25T18:28:49Z)
• Structured Click Control in Transformer-based Interactive Segmentation [36.49641677493008]
  グラフニューラルネットワークに基づく構造化クリックインテントモデルを提案する。 グラフノードは、構造化されたインタラクション機能を得るために集約される。 デュアル・クロス・アテンションは、構造化された相互作用機能を視覚変換器に注入するために使用される。
  論文  参考訳（メタデータ） (2024-05-07T04:57:25Z)
• Unified Off-Policy Learning to Rank: a Reinforcement Learning Perspective [61.4025671743675]
  メソッドをランク付けするオフポリシー学習は、ユーザがクリックデータを生成する方法に関して、強い仮定をすることが多い。 オフライン強化学習は,複雑なデバイアス手法や事前知識を使わずに,様々なクリックモデルに適応できることを示す。 様々な大規模データセットの結果から、CUOLRはアルゴリズムのランク付けに最先端のオフポリシー学習を一貫して上回っていることが示される。
  論文  参考訳（メタデータ） (2023-06-13T03:46:22Z)
• Cell Attention Networks [25.72671436731666]
  グラフの頂点上で定義されたデータを操作するニューラルネットワークであるCell Attention Networks (CANs)を紹介する。 CANは、細胞複合体にコードされているように、下部と上部の地区を利用して、2つの独立したマスク付き自己保持機構を設計する。 実験結果から,CANはグラフベースの学習課題における技術結果と同等に比較可能な,低複雑性戦略であることが示唆された。
  論文  参考訳（メタデータ） (2022-09-16T21:57:39Z)
• Bandit Sampling for Multiplex Networks [8.771092194928674]
  多数のレイヤを持つ多重ネットワーク上でのスケーラブルな学習アルゴリズムを提案する。 オンライン学習アルゴリズムは、トレーニング中に関連する情報を持つレイヤのみを集約するように、関連する隣のレイヤをサンプリングする方法を学ぶ。 合成シナリオと実世界のシナリオの両方に関する実験結果を示す。
  論文  参考訳（メタデータ） (2022-02-08T03:26:34Z)
• Coordinated Reinforcement Learning for Optimizing Mobile Networks [6.924083445159127]
  数百の協調エージェントを含む複雑なアプリケーションにおいて、協調グラフと強化学習の使い方を示す。 協調強化学習が他の手法より優れていることを実証的に示す。
  論文  参考訳（メタデータ） (2021-09-30T14:46:18Z)
• Reinforced Neighborhood Selection Guided Multi-Relational Graph Neural Networks [68.9026534589483]
  RioGNNはReinforceed, recursive, flexible neighborhood selection guided multi-relational Graph Neural Network architectureである。 RioGNNは、各関係の個々の重要性の認識により、説明性を高めた差別的なノード埋め込みを学ぶことができる。
  論文  参考訳（メタデータ） (2021-04-16T04:30:06Z)
• Dynamic Graph: Learning Instance-aware Connectivity for Neural Networks [78.65792427542672]
  動的グラフネットワーク(DG-Net)は完全な有向非巡回グラフであり、ノードは畳み込みブロックを表し、エッジは接続経路を表す。 ネットワークの同じパスを使用する代わりに、DG-Netは各ノードの機能を動的に集約する。
  論文  参考訳（メタデータ） (2020-10-02T16:50:26Z)
• Policy-GNN: Aggregation Optimization for Graph Neural Networks [60.50932472042379]
  グラフニューラルネットワーク(GNN)は、局所的なグラフ構造をモデル化し、隣人からの情報を集約することで階層的なパターンを捉えることを目的としている。 複雑なグラフとスパースな特徴を与えられた各ノードに対して効果的なアグリゲーション戦略を開発することは難しい課題である。 本稿では,GNNのサンプリング手順とメッセージパッシングを複合学習プロセスにモデル化するメタ政治フレームワークであるPolicy-GNNを提案する。
  論文  参考訳（メタデータ） (2020-06-26T17:03:06Z)

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。