論文の概要: PINE: Pipeline for Important Node Exploration in Attributed Networks

• arxiv url: http://arxiv.org/abs/2512.07244v1
• Date: Mon, 08 Dec 2025 07:38:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-09 22:03:54.761286
• Title: PINE: Pipeline for Important Node Exploration in Attributed Networks
• Title（参考訳）: PINE: 分散ネットワークにおける重要なノード探索のためのパイプライン
• Authors: Elizaveta Kovtun, Maksim Makarenko, Natalia Semenova, Alexey Zaytsev, Semen Budennyy,
• Abstract要約: 意味的に属性付けられたノードを持つグラフは、幅広い領域における共通のデータ構造である。 ネットワーク内の重要なノードを特定する従来の方法は、ノード次数やより複雑なPageRankのような集中度対策を導入している。 近年の手法では,ノードの特徴を扱えるニューラルネットワークが採用されているが,監視が必要である。 この研究は、教師なしと属性対応の両方のアプローチが存在しないという、特定されたギャップに対処する。
• 参考スコア（独自算出の注目度）: 4.598807252093158
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: A graph with semantically attributed nodes are a common data structure in a wide range of domains. It could be interlinked web data or citation networks of scientific publications. The essential problem for such a data type is to determine nodes that carry greater importance than all the others, a task that markedly enhances system monitoring and management. Traditional methods to identify important nodes in networks introduce centrality measures, such as node degree or more complex PageRank. However, they consider only the network structure, neglecting the rich node attributes. Recent methods adopt neural networks capable of handling node features, but they require supervision. This work addresses the identified gap--the absence of approaches that are both unsupervised and attribute-aware--by introducing a Pipeline for Important Node Exploration (PINE). At the core of the proposed framework is an attention-based graph model that incorporates node semantic features in the learning process of identifying the structural graph properties. The PINE's node importance scores leverage the obtained attention distribution. We demonstrate the superior performance of the proposed PINE method on various homogeneous and heterogeneous attributed networks. As an industry-implemented system, PINE tackles the real-world challenge of unsupervised identification of key entities within large-scale enterprise graphs.
• Abstract（参考訳）: 意味的に属性付けられたノードを持つグラフは、幅広い領域における共通のデータ構造である。 科学出版物のウェブデータや引用ネットワークにリンクすることもある。 このようなデータ型にとって重要な問題は、システム監視と管理を著しく強化するタスクである、他のすべてのノードよりも重要なノードを決定することである。 ネットワーク内の重要なノードを特定する従来の方法は、ノード次数やより複雑なPageRankのような集中度対策を導入している。 しかし、ネットワーク構造のみを考慮し、リッチなノード属性を無視する。 近年の手法では,ノードの特徴を扱えるニューラルネットワークが採用されているが,監視が必要である。 この作業は、重要ノード探索のためのパイプライン(PINE)の導入によって、教師なしと属性対応の両方のアプローチが欠如している、という、特定されたギャップに対処する。 提案フレームワークのコアとなるのは、構造グラフ特性を識別する学習プロセスにノードの意味的特徴を組み込んだアテンションベースのグラフモデルである。 PINEのノード重要度スコアは、得られた注意分布を利用する。 種々の同種および異種属性ネットワーク上で提案したPINE法の優れた性能を示す。 業界が実装したシステムとして、PINEは大規模エンタープライズグラフ内のキーエンティティを教師なしで識別するという現実的な課題に取り組む。

関連論文リスト

• 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)
• Collaborative Graph Neural Networks for Attributed Network Embedding [63.39495932900291]
  グラフニューラルネットワーク(GNN)は、属性付きネットワーク埋め込みにおいて顕著な性能を示している。 本稿では,ネットワーク埋め込みに適したGNNアーキテクチャであるCulaborative graph Neural Networks-CONNを提案する。
  論文  参考訳（メタデータ） (2023-07-22T04:52:27Z)
• Learning to Identify Graphs from Node Trajectories in Multi-Robot Networks [15.36505600407192]
  本稿では,グローバル収束保証付きグラフトポロジを効率的に発見する学習ベースアプローチを提案する。 マルチロボット生成および群れ処理におけるグラフの同定におけるアプローチの有効性を実証する。
  論文  参考訳（メタデータ） (2023-07-10T07:09:12Z)
• DeHIN: A Decentralized Framework for Embedding Large-scale Heterogeneous Information Networks [64.62314068155997]
  本稿では,異種情報ネットワーク(DeHIN)のための分散埋め込みフレームワークについて述べる。 DeHINは、大きなHINをハイパーグラフとして革新的に定式化するコンテキスト保存分割機構を提供する。 当社のフレームワークでは,木のようなパイプラインを採用することで,効率よくHINを分割する分散戦略を採用しています。
  論文  参考訳（メタデータ） (2022-01-08T04:08:36Z)
• Local, global and scale-dependent node roles [3.1473798197405944]
  本稿では、構造的同値性や自己同値性といったノード同値性の概念を再検討する。 我々は,すでに深度3,4の役割が,ノード分類タスクを高精度に行うのに十分な情報を持っていることを示す。
  論文  参考訳（メタデータ） (2021-05-26T14:54:26Z)
• Graph Prototypical Networks for Few-shot Learning on Attributed Networks [72.31180045017835]
  グラフメタ学習フレームワーク - Graph Prototypeal Networks (GPN) を提案する。 GPNは、属性付きネットワーク上でテキストミータ学習を行い、ターゲット分類タスクを扱うための高度に一般化可能なモデルを導出する。
  論文  参考訳（メタデータ） (2020-06-23T04:13:23Z)

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。