論文の概要: Neighborhood-Adaptive Generalized Linear Graph Embedding with Latent Pattern Mining

• arxiv url: http://arxiv.org/abs/2510.05719v1
• Date: Tue, 07 Oct 2025 09:37:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-08 17:57:08.18517
• Title: Neighborhood-Adaptive Generalized Linear Graph Embedding with Latent Pattern Mining
• Title（参考訳）: パターンマイニングを用いた周辺適応一般化線形グラフ埋め込み
• Authors: S. Peng, L. Hu, W. Zhang, B. Jie, Y. Luo,
• Abstract要約: グラフ埋め込みは、ネットワーク分析、ソーシャルネットワークマイニング、レコメンデーションシステム、バイオインフォマティクスといった分野に広く応用されている。 パターンマイニングを基礎としたNGLGE(Neighborhood-Adaptive Generalized Linear Graph Embedding)を提案する。 このモデルでは,周辺に適応的なグラフ学習手法を導入し,本質的なデータ相関を効果的に明らかにする。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graph embedding has been widely applied in areas such as network analysis, social network mining, recommendation systems, and bioinformatics. However, current graph construction methods often require the prior definition of neighborhood size, limiting the effective revelation of potential structural correlations in the data. Additionally, graph embedding methods using linear projection heavily rely on a singular pattern mining approach, resulting in relative weaknesses in adapting to different scenarios. To address these challenges, we propose a novel model, Neighborhood-Adaptive Generalized Linear Graph Embedding (NGLGE), grounded in latent pattern mining. This model introduces an adaptive graph learning method tailored to the neighborhood, effectively revealing intrinsic data correlations. Simultaneously, leveraging a reconstructed low-rank representation and imposing $\ell_{2,0}$ norm constraint on the projection matrix allows for flexible exploration of additional pattern information. Besides, an efficient iterative solving algorithm is derived for the proposed model. Comparative evaluations on datasets from diverse scenarios demonstrate the superior performance of our model compared to state-of-the-art methods.
• Abstract（参考訳）: グラフ埋め込みは、ネットワーク分析、ソーシャルネットワークマイニング、レコメンデーションシステム、バイオインフォマティクスといった分野に広く応用されている。 しかし、現在のグラフ構築法は、しばしば、データ内の潜在的構造的相関の効果的な啓示を制限するために、近隣のサイズの事前定義を必要とする。 さらに、線形射影を用いたグラフ埋め込み法は特異なパターンマイニング法に大きく依存しており、異なるシナリオに適応する際の相対的な弱点が生じる。 これらの課題に対処するために,パターンマイニングを基盤としたNGLGE(Neighborhood-Adaptive Generalized Linear Graph Embedding)を提案する。 このモデルでは,周辺に適応的なグラフ学習手法を導入し,本質的なデータ相関を効果的に明らかにする。 同時に、再構成された低ランク表現を利用し、プロジェクション行列に$\ell_{2,0}$ノルム制約を課すことで、追加のパターン情報の柔軟な探索が可能になる。 また,提案モデルに対して効率的な反復解法を導出する。 各種シナリオからのデータセットの比較評価は,最先端手法と比較して,モデルの性能が優れていることを示す。

関連論文リスト

• GraphGLOW: Universal and Generalizable Structure Learning for Graph Neural Networks [72.01829954658889]
  本稿では,この新たな問題設定の数学的定義を紹介する。 一つのグラフ共有構造学習者と複数のグラフ固有GNNを協調する一般的なフレームワークを考案する。 十分に訓練された構造学習者は、微調整なしで、目に見えない対象グラフの適応的な構造を直接生成することができる。
  論文  参考訳（メタデータ） (2023-06-20T03:33:22Z)
• Joint Graph Learning and Model Fitting in Laplacian Regularized Stratified Models [5.933030735757292]
  ラプラシア正規化成層モデル(Laplacian regularized Stratified Model、LRSM)は、サブプロブレムの明示的または暗黙的なネットワーク構造を利用するモデルである。 本稿では,LRSMにおけるグラフ重みの重要性と感度を示し,その感度が任意に大きいことを示す。 本稿では,1つの最適化問題を解くことで,モデルパラメータを適合させながらグラフを共同学習する汎用的手法を提案する。
  論文  参考訳（メタデータ） (2023-05-04T06:06:29Z)
• Latent Graph Inference using Product Manifolds [0.0]
  遅延グラフ学習のための離散微分可能グラフモジュール(dDGM)を一般化する。 我々の新しいアプローチは、幅広いデータセットでテストされ、元のdDGMモデルよりも優れています。
  論文  参考訳（メタデータ） (2022-11-26T22:13:06Z)
• Learning Graphical Factor Models with Riemannian Optimization [70.13748170371889]
  本稿では,低ランク構造制約下でのグラフ学習のためのフレキシブルなアルゴリズムフレームワークを提案する。 この問題は楕円分布のペナルティ化された最大推定値として表される。 楕円モデルによく適合する正定行列と定ランクの正半定行列のジオメトリを利用する。
  論文  参考訳（メタデータ） (2022-10-21T13:19:45Z)
• ProjB: An Improved Bilinear Biased ProjE model for Knowledge Graph Completion [1.5576879053213302]
  この研究は、計算の複雑さが低く、モデル改善の可能性が高いため、ProjE KGEを改善する。 FB15KやWN18のようなベンチマーク知識グラフ(KG)の実験結果から、提案手法はエンティティ予測タスクにおける最先端モデルよりも優れていることが示された。
  論文  参考訳（メタデータ） (2022-08-15T18:18:05Z)
• Optimal Propagation for Graph Neural Networks [51.08426265813481]
  最適グラフ構造を学習するための二段階最適化手法を提案する。 また、時間的複雑さをさらに軽減するために、低ランク近似モデルについても検討する。
  論文  参考訳（メタデータ） (2022-05-06T03:37:00Z)
• Score-based Generative Modeling of Graphs via the System of Stochastic Differential Equations [57.15855198512551]
  本稿では,連続時間フレームワークを用いたグラフのスコアベース生成モデルを提案する。 本手法は, トレーニング分布に近い分子を生成できるが, 化学価数則に違反しないことを示す。
  論文  参考訳（メタデータ） (2022-02-05T08:21:04Z)
• A Robust and Generalized Framework for Adversarial Graph Embedding [73.37228022428663]
  本稿では,AGE という逆グラフ埋め込みのための頑健なフレームワークを提案する。 AGEは、暗黙の分布から強化された負のサンプルとして偽の隣接ノードを生成する。 本フレームワークでは,3種類のグラフデータを扱う3つのモデルを提案する。
  論文  参考訳（メタデータ） (2021-05-22T07:05:48Z)

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。