論文の概要: T-GINEE: A Tensor-Based Multilayer Graph Representation Learning
- arxiv url: http://arxiv.org/abs/2605.28300v1
- Date: Wed, 27 May 2026 10:51:29 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-28 17:38:55.987079
- Title: T-GINEE: A Tensor-Based Multilayer Graph Representation Learning
- Title（参考訳）: T-GINEE: テンソルベース多層グラフ表現学習
- Authors: Maolin Wang, Ziting Mai, Xuhui Chen, Zhiqi Li, Tianshuo Wei, Yutian Xiao, Wenlin Zhang, Wanyu Wang, Ruocheng Guo, Haoxuan Li, Zenglin Xu, Xiangyu Zhao,
- Abstract要約: T-GINEEは、テンソルに基づく一般化された推定方程式とタスク固有の損失を組み合わせた統計正規化フレームワークである。
我々の理論的分析は、穏やかな条件下での一貫性と正規性を確立する。
合成および実世界のデータセットに関する大規模な実験は、T-GINEEが多層ネットワーク解析に有効であることを検証する。
- 参考スコア（独自算出の注目度）: 50.294562905744215
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Traditional network analysis focuses on single-layer networks, real-world systems often form multilayer networks with multiple relationship types. However, existing methods typically fail to capture complex inter-layer dependencies by treating layers independently or aggregating them. To address this, we propose T-GINEE (Tensor-Based Generalized Multilayer-graph Estimating Equation), a statistical regularization framework combining tensor-based generalized estimating equations with task-specific loss to model cross-network correlations explicitly. Key innovations include: (1) CP tensor decomposition capturing structural dependencies via shared latent factors; (2) a generalized estimating equation framework modeling inter-layer correlations through working covariance matrices; and (3) a flexible link function accommodating characteristics like sparsity. Our theoretical analysis establishes consistency and asymptotic normality under mild conditions. Extensive experiments on synthetic and real-world datasets validate T-GINEE's effectiveness for multilayer network analysis.
- Abstract（参考訳）: 従来のネットワーク分析は単一層ネットワークに重点を置いており、現実のシステムは複数の関係型を持つ多層ネットワークを形成することが多い。
しかし、既存のメソッドは通常、レイヤを独立して扱うか、集約することによって、複雑な層間依存関係をキャプチャできない。
そこで本研究では,T-GINEE(Tensor-based Generalized Multilayer-graph Estimating Equation, T-GINEE)を提案する。
主なイノベーションは,(1)共有潜在因子を介して構造的依存関係を抽出するCPテンソル分解,(2)作業共分散行列による層間相関をモデル化する一般化された推定式フレームワーク,(3)疎結合のような特性を調節する柔軟なリンク関数などである。
我々の理論的分析は、穏やかな条件下での一貫性と漸近正規性を確立する。
合成および実世界のデータセットに関する大規模な実験は、T-GINEEが多層ネットワーク解析に有効であることを検証する。
関連論文リスト
- Score-Based Model for Low-Rank Tensor Recovery [49.158601255093416]
低ランクテンソル分解(TD)は、マルチウェイデータ解析に有効なフレームワークを提供する。
従来のTD法は、CPやタッカー分解のような事前定義された構造的仮定に依存している。
本稿では,事前定義された構造的仮定や分布的仮定の必要性を排除したスコアベースモデルを提案する。
論文 参考訳（メタデータ） (2025-06-27T15:05:37Z) - Generalization Performance of Hypergraph Neural Networks [21.483543928698676]
我々は、ハイパーグラフニューラルネットワークの4つの代表クラスに対して、マージンに基づく一般化境界を開発する。
その結果,ハイパーグラフ構造やスペクトルノルムが一般化境界にどのような影響を及ぼすかが明らかになった。
本研究は,実世界のデータセットに対するモデルの性能と理論的境界の関係を実験的に検討した。
論文 参考訳（メタデータ） (2025-01-22T00:20:26Z) - Learning Divergence Fields for Shift-Robust Graph Representations [73.11818515795761]
本研究では,相互依存データに対する問題に対して,学習可能な分散場を持つ幾何学的拡散モデルを提案する。
因果推論によって新たな学習目標が導出され、ドメイン間で無神経な相互依存の一般化可能なパターンを学習するためのモデルが導出される。
論文 参考訳（メタデータ） (2024-06-07T14:29:21Z) - A Coupled CP Decomposition for Principal Components Analysis of
Symmetric Networks [11.988825533369686]
シーケンスネットワークデータのための主成分分析(PCA)フレームワークを提案する。
提案した「結合CP」分解の効率的な計算アルゴリズムを導出する。
本稿は、シミュレーションデータと、政治科学・金融経済学の事例における提案の有効性を実証する。
論文 参考訳（メタデータ） (2022-02-09T20:52:19Z) - Joint Network Topology Inference via Structured Fusion Regularization [70.30364652829164]
結合ネットワークトポロジ推論は、異種グラフ信号から複数のグラフラプラシア行列を学習する標準的な問題を表す。
新規な構造化融合正規化に基づく一般グラフ推定器を提案する。
提案するグラフ推定器は高い計算効率と厳密な理論保証の両方を享受できることを示す。
論文 参考訳（メタデータ） (2021-03-05T04:42:32Z) - Out-of-distribution Generalization via Partial Feature Decorrelation [72.96261704851683]
本稿では,特徴分解ネットワークと対象画像分類モデルとを協調的に最適化する,PFDL(Partial Feature Deorrelation Learning)アルゴリズムを提案する。
実世界のデータセットを用いた実験により,OOD画像分類データセットにおけるバックボーンモデルの精度が向上することを示した。
論文 参考訳（メタデータ） (2020-07-30T05:48:48Z)
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。