論文の概要: Pairwise Covariates-adjusted Block Model for Community Detection
- arxiv url: http://arxiv.org/abs/1807.03469v5
- Date: Mon, 1 May 2023 21:36:29 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-03 18:48:45.688249
- Title: Pairwise Covariates-adjusted Block Model for Community Detection
- Title（参考訳）: コミュニティ検出のためのPairwise Covariates-adjusted Block Model
- Authors: Sihan Huang, Jiajin Sun and Yang Feng
- Abstract要約: コミュニティ検出はネットワーク研究における最も基本的な問題の1つである。
ペアワイズ共調整一般化ブロックモデル(PCABM)を導入する。
適切な空間条件下でPCABMは一定であることを示す。
- 参考スコア（独自算出の注目度）: 9.423321226644891
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: One of the most fundamental problems in network study is community detection.
The stochastic block model (SBM) is a widely used model, for which various
estimation methods have been developed with their community detection
consistency results unveiled. However, the SBM is restricted by the strong
assumption that all nodes in the same community are stochastically equivalent,
which may not be suitable for practical applications. We introduce a pairwise
covariates-adjusted stochastic block model (PCABM), a generalization of SBM
that incorporates pairwise covariate information. We study the maximum
likelihood estimates of the coefficients for the covariates as well as the
community assignments. It is shown that both the coefficient estimates of the
covariates and the community assignments are consistent under suitable sparsity
conditions. Spectral clustering with adjustment (SCWA) is introduced to
efficiently solve PCABM. Under certain conditions, we derive the error bound of
community detection under SCWA and show that it is community detection
consistent. In addition, we investigate model selection in terms of the number
of communities and feature selection for the pairwise covariates, and propose
two corresponding algorithms. PCABM compares favorably with the SBM or
degree-corrected stochastic block model (DCBM) under a wide range of simulated
and real networks when covariate information is accessible.
- Abstract（参考訳）: ネットワーク研究における最も根本的な問題の1つは、コミュニティ検出である。
確率ブロックモデル(sbm, stochastic block model, 確率ブロックモデル)は, 様々な推定法が開発され, コミュニティ検出一貫性が明らかにされている, 広く用いられているモデルである。
しかし、sbmは、同じコミュニティ内の全てのノードが確率的に等価であるという強い仮定によって制限されており、実用的用途には適さない可能性がある。
ペアワイズ共変量情報を含むsbmの一般化であるペアワイズ共変量調整確率ブロックモデル(pcabm)を提案する。
本研究では,共変量に対する係数の最大確率推定とコミュニティの割り当てについて検討した。
共変量とコミュニティ割り当ての係数推定は、適切な空間条件下で一致していることが示されている。
PCABMを効率的に解くために、調整付きスペクトルクラスタリング(SCWA)を導入する。
特定の条件下では,SCWAにおけるコミュニティ検出の誤差境界を導出し,コミュニティ検出の一貫性を示す。
さらに,ペアワイズ共変量に対するコミュニティ数と特徴選択の観点でモデル選択を調査し,対応する2つのアルゴリズムを提案する。
PCABMは、共変量情報にアクセス可能な場合、広範囲のシミュレーションおよび実ネットワークの下で、SBMまたは次数補正確率ブロックモデル(DCBM)と良好に比較する。
関連論文リスト
- Selecting the Number of Communities for Weighted Degree-Corrected Stochastic Block Models [5.117940794592611]
本研究では,重み付きネットワークのコミュニティ数を選択する方法を検討する。
本稿では, 平均隣接行列を標準DCSBMと同一にモデル化した新しい重み付き次数補正ブロックモデル(DCSBM)を提案する。
コミュニティ数を選択する方法は連続的なテストフレームワークに基づいており、各ステップで重み付けされたDCSBMをスペクトルクラスタリング法により取り付ける。
論文 参考訳（メタデータ） (2024-06-08T03:47:38Z) - VEC-SBM: Optimal Community Detection with Vectorial Edges Covariates [67.51637355249986]
本稿では,コミュニティ検出のための統計フレームワークであるブロックモデル(SBM)の拡張について検討する。
本稿では,反復的改良手法に基づく新しいアルゴリズムを提案し,潜在コミュニティを最適に回復することを示す。
コミュニティ検出プロセスにおいて,エッジ側情報を活用する付加価値を厳格に評価する。
論文 参考訳（メタデータ） (2024-02-29T02:19:55Z) - Optimal Estimation in Mixed-Membership Stochastic Block Models [2.474391692385924]
本稿では,Airoldiらによって提案されたMMSB(Mixed-Membership Block Model)について考察する。
本論文は, ネットワークが与えられたコミュニティ間の関係を再構築するものである。
理論的結果は、考慮されたモデル上でかなり一般的な条件下で証明される。
論文 参考訳（メタデータ） (2023-07-26T22:27:08Z) - Counterfactual Maximum Likelihood Estimation for Training Deep Networks [83.44219640437657]
深層学習モデルは、予測的手がかりとして学習すべきでない急激な相関を学習する傾向がある。
本研究では,観測可能な共同設立者による相関関係の緩和を目的とした因果関係に基づくトレーニングフレームワークを提案する。
自然言語推論(NLI)と画像キャプションという2つの実世界の課題について実験を行った。
論文 参考訳（メタデータ） (2021-06-07T17:47:16Z) - Exact Recovery in the General Hypergraph Stochastic Block Model [92.28929858529679]
本稿では,d-uniform hypergraph block model(d-HSBM)の正確な回復の基本的な限界について検討する。
精度の高いしきい値が存在し、正確な回復がしきい値の上に達成でき、その下には不可能であることを示す。
論文 参考訳（メタデータ） (2021-05-11T03:39:08Z) - Community Detection in the Stochastic Block Model by Mixed Integer
Programming [3.8073142980733]
Degree-Corrected Block Model (DCSBM) は、コミュニティ構造を持つランダムグラフを生成する一般的なモデルである。
DCSBMに基づくコミュニティ検出の標準的なアプローチは、最大推定(MLE)により観測されたネットワークデータを生成する可能性が最も高いモデルパラメータを探索することである。
本稿では,モデルパラメータと最大確率のコミュニティ割当を観測グラフから確実に求める数学的計画式と厳密解法を提案する。
論文 参考訳（メタデータ） (2021-01-26T22:04:40Z) - Amortized Conditional Normalized Maximum Likelihood: Reliable Out of
Distribution Uncertainty Estimation [99.92568326314667]
本研究では,不確実性推定のための拡張性のある汎用的アプローチとして,償却条件正規化最大値(ACNML)法を提案する。
提案アルゴリズムは条件付き正規化最大度(CNML)符号化方式に基づいており、最小記述長の原理に従って最小値の最適特性を持つ。
我々は、ACNMLが、分布外入力のキャリブレーションの観点から、不確実性推定のための多くの手法と好意的に比較することを示した。
論文 参考訳（メタデータ） (2020-11-05T08:04:34Z) - Autoregressive Score Matching [113.4502004812927]
自動回帰条件スコアモデル(AR-CSM)を提案する。
AR-CSMモデルでは、このデータ分布とモデル分布のばらつきを効率的に計算し、最適化することができ、高価なサンプリングや対向訓練を必要としない。
本研究では,合成データに対する密度推定,画像生成,画像復調,暗黙エンコーダを用いた潜在変数モデルの訓練に応用できることを示す。
論文 参考訳（メタデータ） (2020-10-24T07:01:24Z) - Community Detection in Bipartite Networks with Stochastic Blockmodels [0.0]
バイパーティイトネットワークでは、あるタイプのノードは、他のタイプのノードとの共通の接続パターンに従ってグループ化される。
これにより、ブロックモデル(SBM)が2部構成のコミュニティ検出の直感的な選択となる。
我々はSBMの非パラメトリックな定式化とそれに対応するアルゴリズムを導入し、二部ネットワークのコミュニティを効率的に見つける。
論文 参考訳（メタデータ） (2020-01-22T05:58:19Z) - Adaptive Correlated Monte Carlo for Contextual Categorical Sequence
Generation [77.7420231319632]
我々は,モンテカルロ (MC) ロールアウトの集合を分散制御のために評価する政策勾配推定器に,カテゴリー列の文脈的生成を適用する。
また,二分木ソフトマックスモデルに相関したMCロールアウトを用いることで,大語彙シナリオにおける高生成コストを低減できることを示す。
論文 参考訳（メタデータ） (2019-12-31T03:01:55Z)
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。