論文の概要: Robust Node Affinities via Jaccard-Biased Random Walks and Rank Aggregation

• arxiv url: http://arxiv.org/abs/2603.05375v1
• Date: Thu, 05 Mar 2026 17:00:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-06 22:06:11.330824
• Title: Robust Node Affinities via Jaccard-Biased Random Walks and Rank Aggregation
• Title（参考訳）: ジャカードを用いたランダムウォークとランクアグリゲーションによるロバストノード親和性
• Authors: Bastian Pfeifer, Michael G. Schimek,
• Abstract要約: TopKGraphsは、構造的に類似した近傍を持つノードに偏りを持つスタートノードアンカレッドランダムウォークに基づく手法である。 本手法は, 合成グラフ, データセットからのk-nearest-neighborグラフ, およびキュレートされた高タンパク質相互作用ネットワーク上で評価する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Estimating node similarity is a fundamental task in network analysis and graph-based machine learning, with applications in clustering, community detection, classification, and recommendation. We propose TopKGraphs, a method based on start-node-anchored random walks that bias transitions toward nodes with structurally similar neighborhoods, measured via Jaccard similarity. Rather than computing stationary distributions, walks are treated as stochastic neighborhood samplers, producing partial node rankings that are aggregated using robust rank aggregation to construct interpretable node-to-node affinity matrices. TopKGraphs provides a non-parametric, interpretable, and general-purpose representation of node similarity that can be applied in both network analysis and machine learning workflows. We evaluate the method on synthetic graphs (stochastic block models, Lancichinetti-Fortunato-Radicchi benchmark graphs), k-nearest-neighbor graphs from tabular datasets, and a curated high-confidence protein-protein interaction network. Across all scenarios, TopKGraphs achieves competitive or superior performance compared to standard similarity measures (Jaccard, Dice), a diffusion-based method (personalized PageRank), and an embedding-based approach (Node2Vec), demonstrating robustness in sparse, noisy, or heterogeneous networks. These results suggest that TopKGraphs is a versatile and interpretable tool for bridging simple local similarity measures with more complex embedding-based approaches, facilitating both data mining and network analysis applications.
• Abstract（参考訳）: ノード類似度の推定は、クラスタリング、コミュニティ検出、分類、レコメンデーションといった、ネットワーク分析とグラフベースの機械学習における基本的なタスクである。 そこで本稿では,Jaccard の類似性を用いて,構造的に類似した近傍を持つノードに偏りが遷移する,スタートノードアンカレッドランダムウォークに基づくTopKGraphsを提案する。 定常分布を計算するのではなく、ウォークは確率的な近傍サンプルとして扱われ、ロバストなランクアグリゲーションを用いて集約された部分ノードランキングを生成し、解釈可能なノード間の親和性行列を構築する。 TopKGraphsは、ネットワーク分析と機械学習の両方のワークフローに適用可能な、非パラメトリック、解釈可能、汎用的なノード類似性表現を提供する。 本研究では, 合成グラフ(確率ブロックモデル, Lancichinetti-Fortunato-Radicchiベンチマークグラフ, k-nearest-neighborグラフ) および高信頼タンパク質-タンパク質相互作用ネットワークの評価を行った。 あらゆるシナリオにおいて、TopKGraphsは、標準的な類似度尺度(Jaccard, Dice)、拡散ベースの方法(個人化されたPageRank)、埋め込みベースのアプローチ(Node2Vec)と比較して、スパース、ノイズ、ヘテロジニアスネットワークの堅牢性を示す、競争力または優れたパフォーマンスを達成する。 以上の結果から,TopKGraphsは,データマイニングとネットワーク解析の両面において,より複雑な埋め込みベースのアプローチで簡易な局所類似度尺度をブリッジする汎用的で解釈可能なツールであることが示唆された。

関連論文リスト

• Reliable Node Similarity Matrix Guided Contrastive Graph Clustering [51.23437296378319]
  我々は、新しいフレームワーク、Reliable Node similarity Matrix Guided Contrastive Graph Clustering (NS4GC)を紹介した。 本手法は,ノード近傍のアライメントとセマンティック・アウェア・スパリフィケーションを導入し,ノード類似度行列が正確かつ効率的にスパースであることを保証する。
  論文  参考訳（メタデータ） (2024-08-07T13:36:03Z)
• GNN-LoFI: a Novel Graph Neural Network through Localized Feature-based Histogram Intersection [51.608147732998994]
  グラフニューラルネットワークは、グラフベースの機械学習の選択フレームワークになりつつある。 本稿では,古典的メッセージパッシングに代えて,ノード特徴の局所分布を解析するグラフニューラルネットワークアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2024-01-17T13:04:23Z)
• Community detection in complex networks via node similarity, graph representation learning, and hierarchical clustering [4.264842058017711]
  コミュニティ検出は、実際のグラフを分析する上で重要な課題である。 この記事では,この課題に対処する3つの新しい階層型フレームワークを提案する。 ブロックモデルグラフと実生活データセットにおける100以上のモジュールの組み合わせを比較します。
  論文  参考訳（メタデータ） (2023-03-21T22:12:53Z)
• Hub-aware Random Walk Graph Embedding Methods for Classification [44.99833362998488]
  ノード分類問題に特化して設計されたランダムウォークに基づく2つの新しいグラフ埋め込みアルゴリズムを提案する。 提案手法は,実世界のネットワークの埋め込みを訓練した3つの分類アルゴリズムの分類性能を解析して実験的に評価する。
  論文  参考訳（メタデータ） (2022-09-15T20:41:18Z)
• 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)
• Community detection in networks using graph embeddings [0.615738282053772]
  ベンチマークグラフ上のコミュニティを検出するために,いくつかのグラフ埋め込み手法をテストした。 埋め込み手法のパラメータが好適に選択された場合、性能は同等である。 この発見は、ネットワークを埋め込み、ポイントをグループ化する高い計算コストとともに、コミュニティ検出において、現在の埋め込み技術はネットワーククラスタリングアルゴリズムよりも改善されたものではないことを示唆している。
  論文  参考訳（メタデータ） (2020-09-11T07:49:21Z)
• Sequential Graph Convolutional Network for Active Learning [53.99104862192055]
  逐次グラフ畳み込みネットワーク(GCN)を用いた新しいプールベースアクティブラーニングフレームワークを提案する。 少数のランダムなサンプル画像がシードラベル付き例であるので、グラフのパラメータを学習してラベル付きノードと非ラベル付きノードを区別する。 我々はGCNの特性を利用してラベル付けされたものと十分に異なる未ラベルの例を選択する。
  論文  参考訳（メタデータ） (2020-06-18T00:55:10Z)
• Graph Neural Networks with Composite Kernels [60.81504431653264]
  カーネル重み付けの観点からノード集約を再解釈する。 本稿では,アグリゲーション方式における特徴類似性を考慮したフレームワークを提案する。 特徴空間における特徴類似性をエンコードするために,元の隣り合うカーネルと学習可能なカーネルの合成として特徴集約を提案する。
  論文  参考訳（メタデータ） (2020-05-16T04:44:29Z)
• Block-Approximated Exponential Random Graphs [77.4792558024487]
  指数乱グラフ(ERG)の分野における重要な課題は、大きなグラフ上の非自明なERGの適合である。 本稿では,非自明なERGに対する近似フレームワークを提案する。 我々の手法は、数百万のノードからなるスパースグラフにスケーラブルである。
  論文  参考訳（メタデータ） (2020-02-14T11:42:16Z)

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。