Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Bücher
Zeitschriften
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
MTZ-Fachkongress

Antriebe und Energiesysteme von morgen


Austausch von Automobil- und Energiewirtschaft

Am 14./15. Mai geht es in Chemnitz um die Mobilitätswende durch Elektro- und Wasserstofffahrzeuge.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Using Localized Attacks with Probabilistic Failures to Model Seismic Events over Physical-Logical Interdependent Networks Kapitel lesen Erstes Kapitel lesen

2022 | OriginalPaper | Buchkapitel

HyperNetVec: Fast and Scalable Hierarchical Embedding for Hypergraphs

verfasst von : Sepideh Maleki, Donya Saless, Dennis P. Wall, Keshav Pingali

Erschienen in: Network Science

Verlag: Springer International Publishing

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

Many problems such as node classification and link prediction in network data can be solved using graph embeddings. However, it is difficult to use graphs to capture non-binary relations such as communities of nodes. These kinds of complex relations are expressed more naturally as hypergraphs. While hypergraphs are a generalization of graphs, state-of-the-art graph embedding techniques are not adequate for solving prediction and classification tasks on large hypergraphs accurately in reasonable time. In this paper, we introduce HyperNetVec, a novel hierarchical framework for scalable unsupervised hypergraph embedding. HyperNetVec exploits shared-memory parallelism and is capable of generating high quality embeddings for real-world hypergraphs with millions of nodes and hyperedges in only a couple of minutes while existing hypergraph systems either fail for such large hypergraphs or may take days to produce the embeddings.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel Competitive Information Spreading on Modular Networks
Literatur
1.
2.
Bordes, A., Usunier, N., Garcia-Durán, A., Weston, J., Yakhnenko, O.: Translating embeddings for modeling multi-relational data. In: Proceedings of the 26th International Conference on Neural Information Processing Systems (2013)
3.
Bui, T.N., Jones, C.: A heuristic for reducing fill-in in sparse matrix factorization. In: SIAM Conference on Parallel Processing for Scientific Computing, March 1993
4.
Chen, H., Perozzi, B., Hu, Y., Skiena, S.: Harp: Hierarchical representation learning for networks (2017)
5.
6.
Deng, C., Zhao, Z., Wang, Y., Zhang, Z., Feng, Z.: Graphzoom: a multi-level spectral approach for accurate and scalable graph embedding (2020)
7.
8.
9.
Feng, Y., You, H., Zhang, Z., Ji, R., Gao, Y.: Hypergraph neural networks (2019)
10.
11.
Giurgiu, M., et al.: CORUM: the comprehensive resource of mammalian protein complexes-2019. Nucl. Acids Res. (2019)
12.
13.
Grover, A., Leskovec, J.: node2vec: Scalable feature learning for networks (2016)
14.
Hamilton, W.L., Ying, R., Leskovec, J.: Inductive representation learning on large graphs (2018)
15.
16.
Karypis, G., Aggarwal, R., Kumar, V., Shekhar, S.: Multilevel hypergraph partitioning: applications in VLSI domain. IEEE Trans. Very Large Scale Integr. Syst. (1999)
17.
18.
Li, Q., Han, Z., Wu, X.M.: Deeper insights into graph convolutional networks for semi-supervised learning (2018)
19.
Liang, J., Gurukar, S., Parthasarathy, S.: Mile: a multi-level framework for scalable graph embedding (2020)
20.
21.
Mateev, N., Pingali, K., Stodghill, P., Kotlyar, V.: Next-generation generic programming and its application to sparse matrix computations. In: Proceedings of the 14th International Conference on Supercomputing. ICS 2000, pp. 88–99. Association for Computing Machinery, New York (2000)
22.
Perozzi, B., Al-Rfou, R., Skiena, S.: Deepwalk: online learning of social representations. In: Proceedings of the 20th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. KDD 2014. ACM, New York (2014)
23.
Pingali, K., et al.: The tao of parallelism in algorithms. In: PLDI 2011, pp. 12–25 (2011)
24.
Piñero, J., et al.: The DisGeNET knowledge platform for disease genomics: 2019 update. Nucl. Acids Res. 48(D1), D845–D855 (2019)
25.
26.
Rogers, A., Pingali, K.: Compiling for distributed memory architectures. IEEE Trans. Parallel Distrib. Syst. 5(3), 281–298 (1994)CrossRef
27.
Tang, J., Qu, M., Wang, M., Zhang, M., Yan, J., Mei, Q.: Line. In: Proceedings of the 24th International Conference on World Wide Web (2015)
28.
29.
Tu, K., Cui, P., Wang, X., Wang, F., Zhu, W.: Structural deep embedding for hyper-networks (2018)
30.
Xu, K., Hu, W., Leskovec, J., Jegelka, S.: How powerful are graph neural networks? (2019)
31.
Yadati, N., Nimishakavi, M., Yadav, P., Nitin, V., Louis, A., Talukdar, P.: HyperGCN: a new method of training graph convolutional networks on hypergraphs (2019)
32.
Yang, J., Leskovec, J.: Defining and evaluating network communities based on ground-truth (2012)
33.
Zhang, M., Cui, Z., Jiang, S., Chen, Y.: Beyond link prediction: predicting hyperlinks in adjacency space. In: AAAI, pp. 4430–4437 (2018)
34.
Zhang, R., Zou, Y., Ma, J.: Hyper-SAGNN: a self-attention based graph neural network for hypergraphs. In: International Conference on Learning Representations (ICLR) (2020)
35.
Zheng, V.W., Cao, B., Zheng, Y., Xie, X., Yang, Q.: Collaborative filtering meets mobile recommendation: a user-centered approach. In: Proceedings of the Twenty-Fourth AAAI Conference on Artificial Intelligence (2010)
36.
Metadaten
Titel
HyperNetVec: Fast and Scalable Hierarchical Embedding for Hypergraphs
verfasst von
Sepideh Maleki
Donya Saless
Dennis P. Wall
Keshav Pingali
Copyright-Jahr
2022
Buch
Network Science

Print ISBN: 978-3-030-97239-4

Electronic ISBN: 978-3-030-97240-0

Copyright-Jahr: 2022

DOI
https://doi.org/10.1007/978-3-030-97240-0_13

Premium Partner

    Bildnachweise