論文の概要: NEW: A Generic Learning Model for Tie Strength Prediction in Networks
- arxiv url: http://arxiv.org/abs/2001.05283v1
- Date: Wed, 15 Jan 2020 13:02:00 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-11 07:27:05.242764
- Title: NEW: A Generic Learning Model for Tie Strength Prediction in Networks
- Title（参考訳）: ネットワークにおけるタイヤ強度予測のためのジェネリック学習モデルNEW
- Authors: Zhen Liu, Hu li, Chao Wang
- Abstract要約: タイの強度予測(タイの強さ予測、英: Tie strength prediction)は、ネットワークに出現する接続パターンの多様性を探索する上で不可欠である。
我々はNEW(Neighborhood Estimating Weight)と呼ばれる新しい計算フレームワークを提案する。
NEWはネットワークの基本構造情報によって純粋に駆動され、多様な種類のネットワークに適応する柔軟性を持つ。
- 参考スコア（独自算出の注目度）: 5.834475036139535
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Tie strength prediction, sometimes named weight prediction, is vital in
exploring the diversity of connectivity pattern emerged in networks. Due to the
fundamental significance, it has drawn much attention in the field of network
analysis and mining. Some related works appeared in recent years have
significantly advanced our understanding of how to predict the strong and weak
ties in the social networks. However, most of the proposed approaches are
scenario-aware methods heavily depending on some special contexts and even
exclusively used in social networks. As a result, they are less applicable to
various kinds of networks.
In contrast to the prior studies, here we propose a new computational
framework called Neighborhood Estimating Weight (NEW) which is purely driven by
the basic structure information of the network and has the flexibility for
adapting to diverse types of networks. In NEW, we design a novel index, i.e.,
connection inclination, to generate the representative features of the network,
which is capable of capturing the actual distribution of the tie strength. In
order to obtain the optimized prediction results, we also propose a
parameterized regression model which approximately has a linear time complexity
and thus is readily extended to the implementation in large-scale networks. The
experimental results on six real-world networks demonstrate that our proposed
predictive model outperforms the state of the art methods, which is powerful
for predicting the missing tie strengths when only a part of the network's tie
strength information is available.
- Abstract（参考訳）: 結合強度予測は時として重み予測と呼ばれ、ネットワークに出現する接続パターンの多様性を探求する上で不可欠である。
基本的重要性から、ネットワーク分析と鉱業の分野で多くの注目を集めている。
近年発表されたいくつかの関連研究は、ソーシャルネットワークの強みと弱みをいかに予測するかについての理解を著しく前進させた。
しかし,提案手法の多くは,特定の文脈に大きく依存するシナリオ認識手法であり,ソーシャルネットワークでのみ使用される。
その結果、それらは様々な種類のネットワークに適用できない。
本稿では,従来の研究とは対照的に,ネットワークの基本構造情報に純粋に駆動され,多様な種類のネットワークに適応するための柔軟性を有する近傍推定重み(new)と呼ばれる新しい計算フレームワークを提案する。
新たな指標,すなわち接続傾斜(connection inclination)をデザインし,結合強度の実際の分布を捉えることができるネットワークの代表的な特徴を生成する。
また,最適化された予測結果を得るために,線形時間複雑性をほぼ有するパラメータ化回帰モデルを提案し,大規模ネットワークの実装に容易に拡張できることを示す。
実世界の6つのネットワークにおける実験結果から,提案した予測モデルは,ネットワークの張力情報の一部しか利用できない場合に,欠落する張力を予測するのに強力な技術手法の状態を上回り,その性能を実証した。
関連論文リスト
- TDNetGen: Empowering Complex Network Resilience Prediction with Generative Augmentation of Topology and Dynamics [14.25304439234864]
本稿では,ネットワークトポロジとダイナミックスの生成的データ拡張を通じてこの問題に対処するために設計された,複雑なネットワークに対する新しいレジリエンス予測フレームワークを提案する。
3つのネットワークデータセットの実験結果から,提案するフレームワークであるTDNetGenは,最大85%～95%の精度で高い予測精度を達成可能であることが示された。
論文 参考訳（メタデータ） (2024-08-19T09:20:31Z) - Improving Network Interpretability via Explanation Consistency Evaluation [56.14036428778861]
本稿では、より説明可能なアクティベーションヒートマップを取得し、同時にモデル性能を向上させるフレームワークを提案する。
具体的には、モデル学習において、トレーニングサンプルを適応的に重み付けするために、新しいメトリクス、すなわち説明整合性を導入する。
そこで,本フレームワークは,これらのトレーニングサンプルに深い注意を払ってモデル学習を促進する。
論文 参考訳（メタデータ） (2024-08-08T17:20:08Z) - Visual Prompting Upgrades Neural Network Sparsification: A Data-Model Perspective [64.04617968947697]
より優れた重量空間を実現するために、新しいデータモデル共設計視点を導入する。
具体的には、提案したVPNフレームワークでニューラルネットワークのスパーシフィケーションをアップグレードするために、カスタマイズされたVisual Promptが実装されている。
論文 参考訳（メタデータ） (2023-12-03T13:50:24Z) - Comprehensive Analysis of Network Robustness Evaluation Based on Convolutional Neural Networks with Spatial Pyramid Pooling [4.366824280429597]
複雑なネットワークを理解し、最適化し、修復するための重要な側面である接続性の堅牢性は、伝統的にシミュレーションを通じて評価されてきた。
空間ピラミッドプールネットワーク(SPP-net)を用いた畳み込みニューラルネットワーク(CNN)モデルの設計により,これらの課題に対処する。
提案したCNNモデルは,全ての除去シナリオにおいて,攻撃曲線とロバストネスの両値の正確な評価を一貫して達成していることを示す。
論文 参考訳（メタデータ） (2023-08-10T09:54:22Z) - Generalization and Estimation Error Bounds for Model-based Neural
Networks [78.88759757988761]
スパースリカバリのためのモデルベースネットワークの一般化能力は、通常のReLUネットワークよりも優れていることを示す。
我々は,高一般化を保証したモデルベースネットワークの構築を可能にする実用的な設計規則を導出する。
論文 参考訳（メタデータ） (2023-04-19T16:39:44Z) - Significant Ties Graph Neural Networks for Continuous-Time Temporal
Networks Modeling [8.870188183999852]
時間ネットワークは複雑な進化系をモデル化するのに適している。
本稿では,有意な関係を捕捉し記述する新しいフレームワークである,有意なTies Graph Neural Networks (STGNN)を提案する。
論文 参考訳（メタデータ） (2022-11-12T06:56:36Z) - BScNets: Block Simplicial Complex Neural Networks [79.81654213581977]
グラフ学習における最新の方向性として、SNN(Simplicial Neural Network)が最近登場した。
リンク予測のためのBlock Simplicial Complex Neural Networks (BScNets) モデルを提案する。
BScNetsは、コストを抑えながら最先端のモデルよりも大きなマージンを保っている。
論文 参考訳（メタデータ） (2021-12-13T17:35:54Z) - Adversarial Robustness of Probabilistic Network Embedding for Link
Prediction [24.335469995826244]
リンク予測のための条件付きネットワーク埋め込み(CNE)の対角的ロバスト性について検討する。
ネットワークの小さな対向摂動に対するモデルのリンク予測の感度を測定した。
我々のアプローチでは、そのような摂動に最も弱いネットワーク内のリンクとリンクを識別できる。
論文 参考訳（メタデータ） (2021-07-05T11:07:35Z) - 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) - On Robustness and Transferability of Convolutional Neural Networks [147.71743081671508]
現代の深層畳み込みネットワーク(CNN)は、分散シフトの下で一般化しないとしてしばしば批判される。
現代画像分類CNNにおける分布外と転送性能の相互作用を初めて検討した。
トレーニングセットとモデルサイズを増大させることで、分散シフトロバスト性が著しく向上することがわかった。
論文 参考訳（メタデータ） (2020-07-16T18:39:04Z) - Link Prediction for Temporally Consistent Networks [6.981204218036187]
リンク予測は、動的ネットワークにおける次の関係を推定する。
動的に進化するネットワークを表現するための隣接行列の使用は、異種、スパース、またはネットワーク形成から解析的に学習する能力を制限する。
時間的パラメータ化ネットワークモデルとして不均一な時間進化活動を表現する新しい手法を提案する。
論文 参考訳（メタデータ） (2020-06-06T07:28:03Z)
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。