論文の概要: Archetypal Graph Generative Models: Explainable and Identifiable Communities via Anchor-Dominant Convex Hulls

• arxiv url: http://arxiv.org/abs/2602.21342v1
• Date: Tue, 24 Feb 2026 20:19:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-26 18:19:16.596128
• Title: Archetypal Graph Generative Models: Explainable and Identifiable Communities via Anchor-Dominant Convex Hulls
• Title（参考訳）: アーチティパルグラフ生成モデル:アンカー・ドミナント・コンベックス・ハルによる説明可能かつ特定可能なコミュニティ
• Authors: Nikolaos Nakis, Chrysoula Kosma, Panagiotis Promponas, Michail Chatzianastasis, Giannis Nikolentzos,
• Abstract要約: 本稿では,2段階の凸殻を用いたネットワーク表現モデルであるGraphHullを提案する。 実ネットワーク上での実験では、GraphHullがマルチレベルコミュニティ構造を回復する能力を示している。
• 参考スコア（独自算出の注目度）: 8.849342925277577
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Representation learning has been essential for graph machine learning tasks such as link prediction, community detection, and network visualization. Despite recent advances in achieving high performance on these downstream tasks, little progress has been made toward self-explainable models. Understanding the patterns behind predictions is equally important, motivating recent interest in explainable machine learning. In this paper, we present GraphHull, an explainable generative model that represents networks using two levels of convex hulls. At the global level, the vertices of a convex hull are treated as archetypes, each corresponding to a pure community in the network. At the local level, each community is refined by a prototypical hull whose vertices act as representative profiles, capturing community-specific variation. This two-level construction yields clear multi-scale explanations: a node's position relative to global archetypes and its local prototypes directly accounts for its edges. The geometry is well-behaved by design, while local hulls are kept disjoint by construction. To further encourage diversity and stability, we place principled priors, including determinantal point processes, and fit the model under MAP estimation with scalable subsampling. Experiments on real networks demonstrate the ability of GraphHull to recover multi-level community structure and to achieve competitive or superior performance in link prediction and community detection, while naturally providing interpretable predictions.
• Abstract（参考訳）: 表現学習は、リンク予測、コミュニティ検出、ネットワーク可視化といったグラフ機械学習タスクに不可欠である。 これらの下流タスクで高いパフォーマンスを達成するための最近の進歩にもかかわらず、自己説明可能なモデルに向けてはほとんど進歩していない。 予測の背後にあるパターンを理解することは同様に重要であり、説明可能な機械学習に対する最近の関心を動機付けている。 本稿では,2段階の凸殻を用いたネットワーク表現モデルであるGraphHullを提案する。 世界レベルでは、凸船体の頂点はアーチタイプとして扱われ、それぞれがネットワーク内の純粋なコミュニティに対応する。 地域レベルでは、各コミュニティは、頂点が代表プロファイルとして機能し、コミュニティ固有のバリエーションをキャプチャする原型的な船体によって洗練される。 この2段階の構成は明確なマルチスケールの説明をもたらす: ノードの位置はグローバルなアーキタイプと相対的であり、その局所的なプロトタイプはそのエッジを直接的に説明する。 形状は設計上は良好だが、局所的な船体は構造上は不整合である。 多様性と安定性をさらに促進するために、決定点プロセスを含む原則的な事前設定を行い、MAP推定の下でモデルをスケーラブルなサブサンプリングに適合させる。 実ネットワーク上での実験では、GraphHullがマルチレベルコミュニティ構造を回復し、リンク予測とコミュニティ検出において競合的あるいは優れたパフォーマンスを達成し、自然に解釈可能な予測を提供する能力を示した。

関連論文リスト

• A Community-Enhanced Graph Representation Model for Link Prediction [2.90890304148259]
  Community-Enhanced Link Prediction (CELP) フレームワークは、局所グラフトポロジとグローバルグラフトポロジを共同でモデル化するコミュニティ構造を組み込んでいる。 CELPは、リンク予測精度の向上において、コミュニティ構造の重要な役割を検証し、優れた性能を達成する。
  論文  参考訳（メタデータ） (2025-12-24T13:31:34Z)
• Hierarchical-Graph-Structured Edge Partition Models for Learning Evolving Community Structure [0.9208007322096532]
  本稿では,時間的ネットワーク内での潜在コミュニティの進化を捉えるために,新しい動的ネットワークモデルを提案する。 我々のモデルは、推測されたコミュニティ構造が相互に結合し、分割し、相互作用し、複雑なネットワークのダイナミクスを包括的に理解することを可能にする。
  論文  参考訳（メタデータ） (2024-11-18T12:48:15Z)
• SpaceMesh: A Continuous Representation for Learning Manifold Surface Meshes [61.110517195874074]
  本稿では,ニューラルネットワークの出力として,複雑な接続性を持つ多様体多角形メッシュを直接生成する手法を提案する。 私たちの重要なイノベーションは、各メッシュで連続的な遅延接続空間を定義することです。 アプリケーションでは、このアプローチは生成モデルから高品質な出力を得るだけでなく、メッシュ修復のような挑戦的な幾何処理タスクを直接学習することを可能にする。
  論文  参考訳（メタデータ） (2024-09-30T17:59:03Z)
• A Pure Transformer Pretraining Framework on Text-attributed Graphs [50.833130854272774]
  グラフ構造を先行として扱うことで,特徴中心の事前学習の視点を導入する。 我々のフレームワークであるGraph Sequence Pretraining with Transformer (GSPT)はランダムウォークを通してノードコンテキストをサンプリングする。 GSPTはノード分類とリンク予測の両方に容易に適応でき、様々なデータセットで有望な経験的成功を示す。
  論文  参考訳（メタデータ） (2024-06-19T22:30:08Z)
• Shape Preserving Facial Landmarks with Graph Attention Networks [3.996275177789895]
  本稿では,CNN と Graph Attention Network Regressors のカスケードを組み合わせたモデルを提案する。 顔のランドマークの外観と位置を共同で表現するエンコーディングと、その信頼性に応じて情報を測定するアテンション機構を導入する。 実験により,提案モデルが顔の構造のグローバルな表現を学習し,頭部ポーズとランドマーク推定のベンチマークで最高性能を達成できることが確認された。
  論文  参考訳（メタデータ） (2022-10-13T17:58:02Z)
• Modularity Optimization as a Training Criterion for Graph Neural Networks [2.903711704663904]
  グラフ畳み込みモデルにおけるネットワークのコミュニティ構造保存目的を組み込んだ学習表現の質に及ぼす効果について検討する。 2つの属性付きビビログラフィーネットワークの実験的評価により、コミュニティ保存目的の組み入れにより、スパースラベル方式における半教師付きノード分類精度が向上することが示された。
  論文  参考訳（メタデータ） (2022-06-30T21:32:33Z)
• Handling Distribution Shifts on Graphs: An Invariance Perspective [78.31180235269035]
  我々は、グラフ上のOOD問題を定式化し、新しい不変学習手法である探索・拡張リスク最小化(EERM)を開発する。 EERMは、複数の仮想環境からのリスクの分散を最大化するために、敵対的に訓練された複数のコンテキストエクスプローラーを利用する。 理論的に有効なOOD解の保証を示すことによって,本手法の有効性を実証する。
  論文  参考訳（メタデータ） (2022-02-05T02:31:01Z)
• Classic Graph Structural Features Outperform Factorization-Based Graph Embedding Methods on Community Labeling [8.931361895613646]
  グラフ表現学習(グラフ埋め込みとも呼ばれる)は、ネットワーク構造を機械学習モデルに組み込む一般的な手法である。 そこで我々は,ペアワイズコミュニティラベリングの共通課題に対する埋め込みのクラスの性能に関する実証的,理論的解析を行った。 一般の低次元分解法は,コミュニティ構造を創出できないか,不安定なコミュニティしか創出できないことを実証する。
  論文  参考訳（メタデータ） (2022-01-20T22:43:37Z)
• 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)
• Probabilistic Graph Attention Network with Conditional Kernels for Pixel-Wise Prediction [158.88345945211185]
  本稿では,画素レベルの予測を基本的側面,すなわち,技術の現状を推し進める新たなアプローチを提案する。 構造化されたマルチスケール機能学習と融合。 本論文では,マルチスケール表現を原理的に学習・融合するための新しいアテンテンションゲート条件ランダムフィールド(AG-CRFs)モデルに基づく確率的グラフアテンションネットワーク構造を提案する。
  論文  参考訳（メタデータ） (2021-01-08T04:14:29Z)

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。