論文の概要: Evaluating GNNs for Success Prediction in Artist Collaboration Networks

• arxiv url: http://arxiv.org/abs/2609.02920v1
• Date: Thu, 20 Aug 2026 20:05:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-06 19:38:41.483533
• Title: Evaluating GNNs for Success Prediction in Artist Collaboration Networks
• Title（参考訳）: アーティストコラボレーションネットワークにおける成功予測のためのGNNの評価
• Abstract要約: 本研究は,ポーランドの音楽シーンの新たなデータセットを導入することで,イタリアとデンマークのネットワークの以前の分析を拡大する。 先行研究で用いられる手法を利用することで、3つの異なるヨーロッパ音楽の風景を直接比較することができる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: As the music industry becomes an increasingly collaborative effort, understanding the underlying structures of the artist network has become a focal point in cultural data analytics. This study expands on the previous analyses of the Italian and Danish networks by introducing a novel dataset of the Polish music scene. By utilizing methodologies used in the prior studies, this work enables a direct comparison between three distinct European music landscapes and allows to merged the created networks into one. Furthermore, this research introduces a framework to test the efficacy of Graph Neural Networks (GNNs) for artist popularity predictions based on the metadata and the position in the network. The statistical analysis revealed that the Polish and tri-national network exhibit similar properties and clustering behaviours, consistent with prior models. An evaluation of the predictive architectures reveals that while GNN models achieve a comparable F1-macro scores to the Multilayer Perceptron (MLP) in specific cases however the MLP remains a superior model regarding the success metric. The results suggest that internal node features - such as genre and label affiliation might carry more predictive capabilities than the topology of the network. The higher performance of the GNN models in the tri-national network might also suggests that the relational features become more informative when the network spans multiple linguistic and geographic boundaries, with the GNNs potentially capturing complex 'bridge' structures between the merged networks.
• Abstract（参考訳）: 音楽産業がますます協力的になるにつれて、アーティストネットワークの基盤となる構造を理解することが、文化データ分析の焦点となっている。 本研究は,ポーランドの音楽シーンの新たなデータセットを導入することで,イタリアとデンマークのネットワークの以前の分析を拡大する。 先行研究で用いられる手法を利用することで、3つの異なるヨーロッパの音楽風景を直接比較することができ、生成されたネットワークを1つにまとめることができる。 さらに,ネットワーク内のメタデータと位置に基づいて,アーティストの人気予測のためのグラフニューラルネットワーク(GNN)の有効性を検証するためのフレームワークを提案する。 統計分析により、ポーランドと三国間のネットワークは、以前のモデルと一致して、類似した特性とクラスタリングの挙動を示すことが明らかとなった。 予測アーキテクチャの評価では、GNNモデルは特定の場合においてMultilayer Perceptron (MLP)に匹敵するF1-macroスコアを達成するが、MLPは成功基準に関して優れたモデルのままである。 その結果、ジャンルやラベルアフィリエイトなどの内部ノード機能は、ネットワークのトポロジよりも予測能力が高い可能性が示唆された。 三国間ネットワークにおけるGNNモデルのより高い性能は、ネットワークが複数の言語境界と領域の境界にまたがるときに、より情報的になる可能性を示し、GNNは統合されたネットワーク間の複雑な「ブリッジ」構造をキャプチャする可能性があることを示唆している。

関連論文リスト

• Demystifying MPNNs: Message Passing as Merely Efficient Matrix Multiplication [4.002604752467421]
  グラフニューラルネットワーク(GNN)は目覚ましい成功を収めており、その設計は理論的な理解よりも経験的な直観に大きく依存している。 本稿では,3つの基本的側面からGNN行動の包括的解析を行う。 過度なスムースではなく、勾配に関連した問題がスパースグラフの性能に著しく影響を及ぼすことを示した。 また,正規化方式の違いがモデル性能にどのように影響するか,GNNが一様ノード特徴を持つ予測を行うかについても分析する。
  論文  参考訳（メタデータ） (2025-01-31T19:48:03Z)
• An unified approach to link prediction in collaboration networks [0.0]
  本稿では、協調ネットワークにおけるリンク予測の3つのアプローチについて検討し、比較する。 ERGMはネットワーク内の一般的な構造パターンをキャプチャするために使用される。 GCNとWord2Vec+MLPモデルはディープラーニング技術を利用してノードとその関係の適応的構造表現を学習する。
  論文  参考訳（メタデータ） (2024-11-01T22:40:39Z)
• Hyperbolic Benchmarking Unveils Network Topology-Feature Relationship in GNN Performance [0.5416466085090772]
  グラフ機械学習のための総合的なベンチマークフレームワークを導入する。 我々は,現実的なトポロジ特性とノード特徴ベクトルを持つ合成ネットワークを生成する。 その結果,ネットワーク構造とノード特徴間の相互作用にモデル性能が依存していることが明らかになった。
  論文  参考訳（メタデータ） (2024-06-04T20:40:06Z)
• On Discprecncies between Perturbation Evaluations of Graph Neural Network Attributions [49.8110352174327]
  我々は、グラフ領域で以前に検討されていない視点から帰属法を評価する:再学習。 中心となる考え方は、属性によって識別される重要な(あるいは重要でない)関係でネットワークを再訓練することである。 我々は4つの最先端GNN属性法と5つの合成および実世界のグラフ分類データセットについて分析を行った。
  論文  参考訳（メタデータ） (2024-01-01T02:03:35Z)
• Information Flow in Graph Neural Networks: A Clinical Triage Use Case [49.86931948849343]
  グラフニューラルネットワーク(GNN)は、マルチモーダルグラフとマルチリレーショナルグラフを処理する能力によって、医療やその他の領域で人気を集めている。 GNNにおける埋め込み情報のフローが知識グラフ(KG)におけるリンクの予測に与える影響について検討する。 以上の結果から,ドメイン知識をGNN接続に組み込むことで,KGと同じ接続を使用する場合や,制約のない埋め込み伝搬を行う場合よりも優れた性能が得られることが示された。
  論文  参考訳（メタデータ） (2023-09-12T09:18:12Z)
• INFLECT-DGNN: Influencer Prediction with Dynamic Graph Neural Networks [4.677411878315618]
  INFLuencer prEdiCTion with Dynamic Graph Neural Networks (GNN) and Recurrent Neural Networks (RNN)について述べる。 モデル予測に基づく意思決定を支援する,新たな利益主導型フレームワークを提案する。 我々の研究は、参照とターゲットマーケティングの分野に重大な影響を及ぼす。
  論文  参考訳（メタデータ） (2023-07-16T19:04:48Z)
• ChatGPT Informed Graph Neural Network for Stock Movement Prediction [8.889701868315717]
  グラフニューラルネットワーク(GNN)を強化するためにChatGPTのグラフ推論機能を活用する新しいフレームワークを提案する。 筆者らのフレームワークは,テキストデータから進化するネットワーク構造を十分に抽出し,これらのネットワークをグラフニューラルネットワークに組み込んで,その後の予測作業を行う。
  論文  参考訳（メタデータ） (2023-05-28T21:11:59Z)
• Influencer Detection with Dynamic Graph Neural Networks [56.1837101824783]
  インフルエンサー検出のための動的グラフニューラルネットワーク(GNN)の構成について検討する。 GNNにおける深層多面的注意と時間特性の符号化が性能を著しく向上させることを示す。
  論文  参考訳（メタデータ） (2022-11-15T13:00:25Z)
• BScNets: Block Simplicial Complex Neural Networks [79.81654213581977]
  グラフ学習における最新の方向性として、SNN(Simplicial Neural Network)が最近登場した。 リンク予測のためのBlock Simplicial Complex Neural Networks (BScNets) モデルを提案する。 BScNetsは、コストを抑えながら最先端のモデルよりも大きなマージンを保っている。
  論文  参考訳（メタデータ） (2021-12-13T17:35:54Z)
• Bridging the Gap between Spatial and Spectral Domains: A Unified Framework for Graph Neural Networks [61.17075071853949]
  グラフニューラルネットワーク(GNN)は、古典的なディープラーニングが容易に管理できないグラフ構造データを扱うように設計されている。 本研究の目的は,スペクトルグラフと近似理論に基づいてGNNを統合する統一フレームワークを確立することである。
  論文  参考訳（メタデータ） (2021-07-21T17:34:33Z)
• Neural Networks Enhancement with Logical Knowledge [83.9217787335878]
  関係データに対するKENNの拡張を提案する。 その結果、KENNは、存在関係データにおいても、基礎となるニューラルネットワークの性能を高めることができることがわかった。
  論文  参考訳（メタデータ） (2020-09-13T21:12:20Z)

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。