論文の概要: Embedding Learning on Multiplex Networks for Link Prediction

• arxiv url: http://arxiv.org/abs/2602.01922v1
• Date: Mon, 02 Feb 2026 10:23:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-03 19:28:34.076558
• Title: Embedding Learning on Multiplex Networks for Link Prediction
• Title（参考訳）: リンク予測のための多重ネットワーク上の埋め込み学習
• Authors: Orell Trautmann, Olaf Wolkenhauer, Clémence Réda,
• Abstract要約: 本稿では,リンク予測のための多重ネットワークへの埋め込み学習モデルについて述べる。 組込み技術や組込み技術の種類に応じて,モデルの分類と比較を行う改良手法を提案する。 我々は、新規で公正なテスト手順を提案することによって、有向多重化ネットワークの評価に取り組む。
• 参考スコア（独自算出の注目度）: 1.4273866043218153
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Over the past years, embedding learning on networks has shown tremendous results in link prediction tasks for complex systems, with a wide range of real-life applications. Learning a representation for each node in a knowledge graph allows us to capture topological and semantic information, which can be processed in downstream analyses later. In the link prediction task, high-dimensional network information is encoded into low-dimensional vectors, which are then fed to a predictor to infer new connections between nodes in the network. As the network complexity (that is, the numbers of connections and types of interactions) grows, embedding learning turns out increasingly challenging. This review covers published models on embedding learning on multiplex networks for link prediction. First, we propose refined taxonomies to classify and compare models, depending on the type of embeddings and embedding techniques. Second, we review and address the problem of reproducible and fair evaluation of embedding learning on multiplex networks for the link prediction task. Finally, we tackle evaluation on directed multiplex networks by proposing a novel and fair testing procedure. This review constitutes a crucial step towards the development of more performant and tractable embedding learning approaches for multiplex networks and their fair evaluation for the link prediction task. We also suggest guidelines on the evaluation of models, and provide an informed perspective on the challenges and tools currently available to address downstream analyses applied to multiplex networks.
• Abstract（参考訳）: 過去数年間、ネットワークに学習を埋め込むことは、複雑なシステムのリンク予測タスクにおいて、広範囲のリアルタイムアプリケーションにおいて大きな成果を上げてきた。 知識グラフで各ノードの表現を学習することで、トポロジカルおよびセマンティックな情報をキャプチャすることができる。 リンク予測タスクでは、高次元ネットワーク情報を低次元ベクトルに符号化し、予測器に送信してネットワーク内のノード間の新たな接続を推測する。 ネットワークの複雑さ(つまり、コネクションの数やインタラクションの種類)が増加するにつれ、埋め込み学習はますます困難になってきている。 本稿では,リンク予測のための多重ネットワークへの埋め込み学習モデルについて述べる。 まず, 組込みの種類や組込み手法によって, モデルの分類と比較を行うための改良された分類法を提案する。 第2に、リンク予測タスクのための多重ネットワークへの埋め込み学習の再現性と公平な評価の問題をレビューし、解決する。 最後に、新規かつ公正なテスト手順を提案することによって、有向多重化ネットワークの評価に取り組む。 本総説は,マルチプレックスネットワークのためのより高性能でトラクタブルな埋め込み学習手法の開発に向けた重要なステップであり,リンク予測タスクに対する公平な評価である。 また、モデルの評価に関するガイドラインを提案し、マルチプレックスネットワークに適用された下流分析に現在対応可能な課題やツールについて、より深い視点を提供する。

関連論文リスト

• Network representation learning systematic review: ancestors and current development state [1.0312968200748116]
  本稿では,ネットワーク埋め込みとして知られるネットワーク表現学習を誕生から現在までの体系的に調査する。 また,ネットワーク表現学習の理解に必要な基本概念の形式的定義も提供する。 最も一般的に使用される下流タスクは、埋め込みの評価、評価メトリクス、一般的なデータセットである。
  論文  参考訳（メタデータ） (2021-09-14T14:44:44Z)
• Temporal Graph Network Embedding with Causal Anonymous Walks Representations [54.05212871508062]
  本稿では,時間グラフネットワークに基づく動的ネットワーク表現学習のための新しいアプローチを提案する。 評価のために、時間的ネットワーク埋め込みの評価のためのベンチマークパイプラインを提供する。 欧州の大手銀行が提供した実世界のダウンストリームグラフ機械学習タスクにおいて、我々のモデルの適用性と優れた性能を示す。
  論文  参考訳（メタデータ） (2021-08-19T15:39:52Z)
• A Comprehensive Survey on Community Detection with Deep Learning [93.40332347374712]
  コミュニティは、ネットワーク内の他のコミュニティと異なるメンバーの特徴と接続を明らかにする。 この調査は、最先端の手法の様々なカテゴリをカバーする新しい分類法を考案し、提案する。 ディープニューラルネットワーク(Deep Neural Network)は、畳み込みネットワーク(convolutional network)、グラフアテンションネットワーク( graph attention network)、生成的敵ネットワーク(generative adversarial network)、オートエンコーダ(autoencoder)に分けられる。
  論文  参考訳（メタデータ） (2021-05-26T14:37:07Z)
• Anomaly Detection on Attributed Networks via Contrastive Self-Supervised Learning [50.24174211654775]
  本論文では,アトリビュートネットワーク上の異常検出のためのコントラスト型自己監視学習フレームワークを提案する。 このフレームワークは、新しいタイプのコントラストインスタンスペアをサンプリングすることで、ネットワークデータからのローカル情報を完全に活用します。 高次元特性と局所構造から情報埋め込みを学習するグラフニューラルネットワークに基づくコントラスト学習モデルを提案する。
  論文  参考訳（メタデータ） (2021-02-27T03:17:20Z)
• NetReAct: Interactive Learning for Network Summarization [60.18513812680714]
  本論文では,テキストコーポラによる感覚生成のネットワーク可視化を支援する,新しいインタラクティブネットワーク要約アルゴリズムであるNetReActを提案する。 netreactが、他の非自明なベースラインよりも、隠れたパターンを明らかにする高品質な要約や視覚化の生成に成功していることを示す。
  論文  参考訳（メタデータ） (2020-12-22T03:56:26Z)
• Link prediction in multiplex networks via triadic closure [0.9329978164030673]
  リンク予測アルゴリズムは複雑なシステムの構造と力学を理解するのに役立つ。 我々は,新しいリンクの予測を改善するために,異なる種類のリレーショナルデータを利用することができることを示す。 本稿では,Adamic-Adar法を任意の層で構成された多重化ネットワークに一般化し,新しいリンク予測アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-11-16T20:25:08Z)
• Graph-Based Neural Network Models with Multiple Self-Supervised Auxiliary Tasks [79.28094304325116]
  グラフ畳み込みネットワークは、構造化されたデータポイント間の関係をキャプチャするための最も有望なアプローチである。 マルチタスク方式でグラフベースニューラルネットワークモデルを学習するための3つの新しい自己教師付き補助タスクを提案する。
  論文  参考訳（メタデータ） (2020-11-14T11:09:51Z)
• Learning to Extrapolate Knowledge: Transductive Few-shot Out-of-Graph Link Prediction [69.1473775184952]
  数発のアウトオブグラフリンク予測という現実的な問題を導入する。 我々は,新しいメタ学習フレームワークによってこの問題に対処する。 我々は,知識グラフの補完と薬物と薬物の相互作用予測のために,複数のベンチマークデータセット上でモデルを検証した。
  論文  参考訳（メタデータ） (2020-06-11T17:42:46Z)

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。