論文の概要: Influence-aware Causal Autoencoder Network for Node Importance Ranking in Complex Networks

• arxiv url: http://arxiv.org/abs/2511.01228v1
• Date: Mon, 03 Nov 2025 05:01:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-05 16:37:27.123363
• Title: Influence-aware Causal Autoencoder Network for Node Importance Ranking in Complex Networks
• Title（参考訳）: 複雑ネットワークにおけるノード重要度ランキングのための影響を考慮した因果オートエンコーダネットワーク
• Authors: Jiahui Gao, Kuang Zhou, Yuchen Zhu,
• Abstract要約: 本稿では、因果表現学習を利用して、ネットワーク間ランキングタスクのための頑健で不変なノード埋め込みを実現する新しいフレームワークであるインフルエンサー・アウェアな因果オートエンコーダネットワーク(ICAN)を提案する。 ICANは、ランク精度と一般化能力の両方の観点から、最先端のベースラインを一貫して上回っている。
• 参考スコア（独自算出の注目度）: 18.40618637794483
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Node importance ranking is a fundamental problem in graph data analysis. Existing approaches typically rely on node features derived from either traditional centrality measures or advanced graph representation learning methods, which depend directly on the target network's topology. However, this reliance on structural information raises privacy concerns and often leads to poor generalization across different networks. In this work, we address a key question: Can we design a node importance ranking model trained exclusively on synthetic networks that is effectively appliable to real-world networks, eliminating the need to rely on the topology of target networks and improving both practicality and generalizability? We answer this question affirmatively by proposing the Influence-aware Causal Autoencoder Network (ICAN), a novel framework that leverages causal representation learning to get robust, invariant node embeddings for cross-network ranking tasks. Firstly, ICAN introduces an influence-aware causal representation learning module within an autoencoder architecture to extract node embeddings that are causally related to node importance. Moreover, we introduce a causal ranking loss and design a unified optimization framework that jointly optimizes the reconstruction and ranking objectives, enabling mutual reinforcement between node representation learning and ranking optimization. This design allows ICAN, trained on synthetic networks, to generalize effectively across diverse real-world graphs. Extensive experiments on multiple benchmark datasets demonstrate that ICAN consistently outperforms state-of-the-art baselines in terms of both ranking accuracy and generalization capability.
• Abstract（参考訳）: ノードの重要度ランキングは、グラフデータ分析における根本的な問題である。 既存のアプローチは、通常、ターゲットネットワークのトポロジに直接依存する従来の集中度尺度または高度なグラフ表現学習手法から派生したノード機能に依存している。 しかし、この構造情報への依存はプライバシーの懸念を生じさせ、しばしば異なるネットワーク間の一般化を損なう。 現実のネットワークに効果的に適用可能な合成ネットワークに特化して訓練されたノードの重要度ランキングモデルを設計し、ターゲットネットワークのトポロジに依存する必要をなくし、実用性と一般化性の両方を改善することができるか? 我々は、因果表現学習を利用して、ネットワーク間ランキングタスクのための堅牢で不変なノード埋め込みを実現する新しいフレームワークであるインフルエンサー・アウェアのCausal Autoencoder Network (ICAN)を提案することにより、この疑問に肯定的に答える。 まず、ICANは、ノード重要度に因果関係のあるノード埋め込みを抽出するために、オートエンコーダアーキテクチャ内で影響を意識した因果表現学習モジュールを導入する。 さらに,ノード表現学習とランキング最適化の相互強化を実現するために,因果的ランキング損失を導入し,再構成とランキングの目的を協調的に最適化する統合最適化フレームワークを設計する。 この設計により、合成ネットワークで訓練されたICANは、様々な現実世界のグラフを効果的に一般化することができる。 複数のベンチマークデータセットに対する大規模な実験により、ICANはランク精度と一般化能力の両方の観点から、最先端のベースラインを一貫して上回っていることが示された。

関連論文リスト

• Unsupervised Graph Attention Autoencoder for Attributed Networks using K-means Loss [0.0]
  我々は、属性付きネットワークにおけるコミュニティ検出のための、教師なしのtextbfGraph Attention textbfAutotextbfEncoder に基づく、シンプルで効率的なクラスタリング指向モデルを提案する。 提案モデルは,ネットワークのトポロジと属性情報の両方から表現を十分に学習し,同時に2つの目的,すなわち再構築とコミュニティ発見に対処する。
  論文  参考訳（メタデータ） (2023-11-21T20:45:55Z)
• 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)
• Rank Diminishing in Deep Neural Networks [71.03777954670323]
  ニューラルネットワークのランクは、層をまたがる情報を測定する。 これは機械学習の幅広い領域にまたがる重要な構造条件の例である。 しかし、ニューラルネットワークでは、低ランク構造を生み出す固有のメカニズムはあいまいで不明瞭である。
  論文  参考訳（メタデータ） (2022-06-13T12:03:32Z)
• Deep Fusion Clustering Network [38.540761683389135]
  深層クラスタリングのための深層フュージョンクラスタリングネットワーク(DFCN)を提案する。 本ネットワークでは,オートエンコーダとグラフオートエンコーダが学習した表現を明示的にマージするために,相互依存学習に基づく構造化と属性情報融合(SAIF)モジュールを提案する。 6つのベンチマークデータセットの実験により、提案されたDFCNは最先端のディープクラスタリング手法よりも一貫して優れていることが示された。
  論文  参考訳（メタデータ） (2020-12-15T09:37:59Z)
• Graph Information Bottleneck [77.21967740646784]
  グラフニューラルネットワーク(GNN)は、ネットワーク構造とノード機能から情報を融合する表現的な方法を提供する。 GIBは、一般的なInformation Bottleneck (IB) を継承し、与えられたタスクに対する最小限の表現を学習することを目的としている。 提案したモデルが最先端のグラフ防御モデルよりも堅牢であることを示す。
  論文  参考訳（メタデータ） (2020-10-24T07:13:00Z)
• 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)

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。