【論文紹介】Generative and Contrastive Self-Supervised Learning for Graph Anomaly Detection - Pseudo Theory of Everything
社内の論文紹介で使用したスライドを公開します。 読んだ論文はこちらです。 arxiv.org Graph autoencoder と対照学習を組み合わせた学習を使ってネットワーク構造を持つデータの異常検知を行う方法を提案しています。 Graph autoencoder については全く説明をしていないので、こちらの記事を参考にしてみてください。ただし、論文中で使われる graph autoencoder はアウトプットが特徴ベクトルそのものとなっているので、多少ものが異なります。www.yuyakaneta.page スライドに使用した絵画はクールベの『絶望(自画像)』という作品で、画像はこちらからお借りしました。もし問題があるようでしたら差し替えます。
グラフからコミュニティ構造を抽出する 〜リッチフローによるグラフの時間発展〜
コミュニティ抽出とは簡単に言えばグラフにおけるノードのクラスタリング手法です。具体的なアルゴリズムとしてはGirvan–Newman法をはじめ様々なアルゴリズムが存在しますが、この記事では去年（2019年）提案された新しい手法について解説したいと思います[1]。 [1907.03993] Community Detection on Networks with Ricci Flow 話の元になっているのはこちらの論文で、グラフをリッチフローによって変形し、伸びたエッジを切断していくことでクラスタを求めるというアルゴリズムです。リッチフローという聞き慣れない言葉が出てきましたが、ちゃんと後で説明するので気にせず進めましょう。 まずは実際にグラフのクラスタリングを行う様子をアニメーションで見てみてください。 アルゴリズム自体はそれほど難しくありませんが、背景を含めて理解するためには2つの理論
1
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
処理を実行中です
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く
