グラフ分析

大規模グラフにおける神経ネットワークを用いた属性付きコミュニティ検索

本論文では、大規模グラフにおける効率的かつ効果的な属性付きコミュニティ検索手法ALICEを提案する。ALICEは、候補サブグラフの抽出と一貫性を考慮したネットワーク(ConNet)によるコミュニティ検索の2段階で構成される。候補サブグラフ抽出では、新しい密度スケッチモジュラリティを提案し、構造的凝集性と属性の同質性の両方を考慮する。ConNetでは、クロスアテンションエンコーダ、構造属性一貫性、局所一貫性の3つの主要コンポーネントを備え、クエリと入力グラフの相互作用を効果的にモデル化する。実験結果は、ALICEが精度、効率、スケーラビリティの面で優れていることを示している。

リンク予測のための持続的ホモロジー - 解釈可能な特徴抽出

新しいカテゴリーの検出: サブポピュレーションシフトに対する堅牢性

大規模グラフにおける神経ネットワークを用いた属性付きコミュニティ検索

効率的な教師なし共同体検索のための事前学習済みグラフトランスフォーマー