Publication

Network Alignment with Holistic Embeddings (Extended Abstract)

Quoc Viet Hung Nguyen, Thành Tâm Nguyên, Chi Thang Duong, Thanh Trung Huynh
2022
Conference Papers

Résumé

Network alignment is the task of identifying topologically and semantically similar nodes across (two) different networks. However, existing alignment models either cannot handle large-scale graphs or fail to leverage different types of network information or modalities. In this paper, we propose a novel end-to-end alignment framework that can leverage different modalities to compare and align network nodes in an efficient way. A comprehensive evaluation on various datasets shows that our technique outperforms state-of-the-art approaches. Our source code is available at https://github.com/ thanhtrunghuynh93/holisticEmbeddingsNA.

Source officielle

https://infoscience.epfl.ch/entities/publication/da346016-401b-40ca-856e-83b91a0576bf

À propos de ce résultat

Cette page est générée automatiquement et peut contenir des informations qui ne sont pas correctes, complètes, à jour ou pertinentes par rapport à votre recherche. Il en va de même pour toutes les autres pages de ce site. Veillez à vérifier les informations auprès des sources officielles de l'EPFL.

Graph Chat

Chattez avec Graph Search

Posez n’importe quelle question sur les cours, conférences, exercices, recherches, actualités, etc. de l’EPFL ou essayez les exemples de questions ci-dessous.

AVERTISSEMENT : Le chatbot Graph n'est pas programmé pour fournir des réponses explicites ou catégoriques à vos questions. Il transforme plutôt vos questions en demandes API qui sont distribuées aux différents services informatiques officiellement administrés par l'EPFL. Son but est uniquement de collecter et de recommander des références pertinentes à des contenus que vous pouvez explorer pour vous aider à répondre à vos questions.

Network Alignment with Holistic Embeddings (Extended Abstract)

Chattez avec Graph Search

Network Alignment With Holistic Embeddings

RMAML: Riemannian meta-learning with orthogonality constraints

Spectral Hypergraph Sparsifiers of Nearly Linear Size