論文の概要: A Bootstrap-based Method for Testing Network Similarity
- arxiv url: http://arxiv.org/abs/1911.06869v3
- Date: Wed, 05 Feb 2025 14:12:34 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-02-09 16:36:53.383345
- Title: A Bootstrap-based Method for Testing Network Similarity
- Title（参考訳）: ブートストラップを用いたネットワーク類似性テスト手法
- Authors: Somnath Bhadra, Kaustav Chakraborty, Srijan Sengupta, Soumendra Lahiri,
- Abstract要約: 本稿では,一致したネットワーク推論問題について検討する。
目的は、共通のノードセットで定義された2つのネットワークが、特定の類似性を示すかどうかを決定することである。
類似性の2つの概念は、 (i) 等価性、すなわち、ネットワークが同じランダムグラフモデルから生じるかどうかをテストすること、 (ii) スケーリング、すなわち、それらの確率が未知のスケーリング定数に対して比例するかどうかをテストすることである。
- 参考スコア（独自算出の注目度）: 0.0
- License:
- Abstract: This paper studies the matched network inference problem, where the goal is to determine if two networks, defined on a common set of nodes, exhibit a specific form of stochastic similarity. Two notions of similarity are considered: (i) equality, i.e., testing whether the networks arise from the same random graph model, and (ii) scaling, i.e., testing whether their probability matrices are proportional for some unknown scaling constant. We develop a testing framework based on a parametric bootstrap approach and a Frobenius norm-based test statistic. The proposed approach is highly versatile as it covers both the equality and scaling problems, and ensures adaptability under various model settings, including stochastic blockmodels, Chung-Lu models, and random dot product graph models. We establish theoretical consistency of the proposed tests and demonstrate their empirical performance through extensive simulations under a wide range of model classes. Our results establish the flexibility and computational efficiency of the proposed method compared to existing approaches. We also report a real-world application involving the Aarhus network dataset, which reveals meaningful sociological patterns across different communication layers.
- Abstract（参考訳）: 本稿では,共通ノード上に定義された2つのネットワークが,確率的類似性を示すかどうかを判定することを目的とする,マッチングネットワーク推論問題について検討する。
類似性の概念は2つある。
(i)等価性、すなわち、ネットワークが同じランダムグラフモデルから生じるかどうか、および
(II)スケーリング、すなわち、その確率行列が未知のスケーリング定数に対して比例するかどうかをテストすること。
パラメトリックブートストラップ法とフロベニウス法則に基づくテスト統計に基づくテストフレームワークを開発した。
提案手法は、等式とスケーリングの問題の両方をカバーし、確率的ブロックモデル、Chung-Luモデル、ランダムドット積グラフモデルなど、様々なモデル設定下で適応性を確保するため、非常に多用途である。
提案手法の理論的整合性を確立し,広範囲なモデルクラス下での広範囲なシミュレーションにより実験性能を実証する。
提案手法の柔軟性と計算効率を既存手法と比較して確立した。
また、Aarhusネットワークデータセットを含む実世界のアプリケーションについて報告し、異なる通信層にまたがる有意義な社会学的パターンを明らかにする。
関連論文リスト
- Structure Learning in Gaussian Graphical Models from Glauber Dynamics [6.982878344925993]
グラウバー力学に基づいてデータをサンプリングする場合, ガウスモデル選択のための最初のアルゴリズムを提案する。
本稿では,提案アルゴリズムの構造学習性能の計算的および統計的複雑さを保証する。
論文 参考訳（メタデータ） (2024-12-24T18:49:13Z) - Network two-sample test for block models [16.597465729143813]
2組のネットワークが同じモデルに由来するかどうかを判定することを目的とするネットワークの2サンプルテスト問題を考える。
ネットワーク分布にブロックモデル(SBM)を適用するのは,その解釈可能性と,より一般的なモデルに近似する可能性からである。
推定されたネットワークパラメータにマッチする効率的なアルゴリズムを導入し、サンプル内およびサンプル間の情報を適切に組み合わせ、コントラスト化することで、強力なテストを実現する。
論文 参考訳（メタデータ） (2024-06-10T04:28:37Z) - Distributed Bayesian Learning of Dynamic States [65.7870637855531]
提案アルゴリズムは有限状態隠れマルコフモデルに対する分散ベイズフィルタタスクである。
逐次状態推定や、動的環境下でのソーシャルネットワーク上での意見形成のモデル化に使用できる。
論文 参考訳（メタデータ） (2022-12-05T19:40:17Z) - How to Combine Variational Bayesian Networks in Federated Learning [0.0]
フェデレートラーニングにより、複数のデータセンターが機密データを公開することなく、協力的に中央モデルをトレーニングできる。
決定論的モデルは高い予測精度を達成することができ、キャリブレーションの欠如と不確実性を定量化する能力は、安全クリティカルなアプリケーションには問題となる。
変分ベイズニューラルネットワークに対する様々なアグリゲーションスキームの効果について検討する。
論文 参考訳（メタデータ） (2022-06-22T07:53:12Z) - Linear Connectivity Reveals Generalization Strategies [54.947772002394736]
微調整されたモデルのいくつかは、それらの間の線形経路における損失を増大させる大きな障壁を持つ。
テスト損失面上で線形に接続されているが、クラスタ外のモデルから切り離されている異なるモデルのクラスタが見つかる。
我々の研究は、損失面の幾何学がモデルを異なる関数へと導く方法を示している。
論文 参考訳（メタデータ） (2022-05-24T23:43:02Z) - Robust Binary Models by Pruning Randomly-initialized Networks [57.03100916030444]
ランダムな二元ネットワークから敵攻撃に対して頑健なモデルを得る方法を提案する。
ランダムな二元ネットワークを切断することにより、ロバストモデルの構造を学習する。
本手法は, 敵攻撃の有無で, 強力な抽選券仮説を立証する。
論文 参考訳（メタデータ） (2022-02-03T00:05:08Z) - Network Estimation by Mixing: Adaptivity and More [2.3478438171452014]
我々は、利用可能な任意のモデルを利用して、個々のパフォーマンスを改善する混合戦略を提案する。
提案手法は計算効率が高く,チューニングがほとんどない。
提案手法は,真のモデルが個々の候補に含まれる場合のオラクル推定と同等に動作することを示す。
論文 参考訳（メタデータ） (2021-06-05T05:17:04Z) - Anomaly Detection on Attributed Networks via Contrastive Self-Supervised
Learning [50.24174211654775]
本論文では,アトリビュートネットワーク上の異常検出のためのコントラスト型自己監視学習フレームワークを提案する。
このフレームワークは、新しいタイプのコントラストインスタンスペアをサンプリングすることで、ネットワークデータからのローカル情報を完全に活用します。
高次元特性と局所構造から情報埋め込みを学習するグラフニューラルネットワークに基づくコントラスト学習モデルを提案する。
論文 参考訳（メタデータ） (2021-02-27T03:17:20Z) - Robust Finite Mixture Regression for Heterogeneous Targets [70.19798470463378]
本稿では,サンプルクラスタの探索と,複数の不完全な混合型ターゲットを同時にモデル化するFMRモデルを提案する。
我々は、高次元の学習フレームワークの下で、無症状のオラクルのパフォーマンス境界をモデルに提供します。
その結果,我々のモデルは最先端の性能を達成できることがわかった。
論文 参考訳（メタデータ） (2020-10-12T03:27:07Z) - Control as Hybrid Inference [62.997667081978825]
本稿では、反復推論と償却推論のバランスを自然に仲介するCHIの実装について述べる。
連続的な制御ベンチマークでアルゴリズムのスケーラビリティを検証し、強力なモデルフリーおよびモデルベースラインを上回る性能を示す。
論文 参考訳（メタデータ） (2020-07-11T19:44:09Z) - Amortized Bayesian model comparison with evidential deep learning [0.12314765641075436]
本稿では,専門的なディープラーニングアーキテクチャを用いたベイズモデルの比較手法を提案する。
提案手法は純粋にシミュレーションベースであり,観測された各データセットに対して,すべての代替モデルを明示的に適合させるステップを回避している。
提案手法は,本研究で検討した事例に対して,精度,キャリブレーション,効率の点で優れた結果が得られることを示す。
論文 参考訳（メタデータ） (2020-04-22T15:15:46Z)
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。