論文の概要: Going beyond accuracy: estimating homophily in social networks using predictions

• arxiv url: http://arxiv.org/abs/2001.11171v1
• Date: Thu, 30 Jan 2020 04:37:12 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-05 12:38:42.113533
• Title: Going beyond accuracy: estimating homophily in social networks using predictions
• Title（参考訳）: 精度を超える:予測を用いたソーシャルネットワークにおけるホモフィリーの推定
• Authors: George Berry, Antonio Sirianni, Ingmar Weber, Jisun An, Michael Macy
• Abstract要約: オンラインソーシャルネットワークでは、ノードカテゴリの予測を用いてホモフィリーの測度を推定することが一般的である。 ネットワーク内のホモフィリを推定することは、ディヤド予測問題とみなすことができる。 本稿では,標準ノードおよびダイアド分類戦略より優れた「ego-alter」モデリング手法を提案する。
• 参考スコア（独自算出の注目度）: 5.135290600093722
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In online social networks, it is common to use predictions of node categories to estimate measures of homophily and other relational properties. However, online social network data often lacks basic demographic information about the nodes. Researchers must rely on predicted node attributes to estimate measures of homophily, but little is known about the validity of these measures. We show that estimating homophily in a network can be viewed as a dyadic prediction problem, and that homophily estimates are unbiased when dyad-level residuals sum to zero in the network. Node-level prediction models, such as the use of names to classify ethnicity or gender, do not generally have this property and can introduce large biases into homophily estimates. Bias occurs due to error autocorrelation along dyads. Importantly, node-level classification performance is not a reliable indicator of estimation accuracy for homophily. We compare estimation strategies that make predictions at the node and dyad levels, evaluating performance in different settings. We propose a novel "ego-alter" modeling approach that outperforms standard node and dyad classification strategies. While this paper focuses on homophily, results generalize to other relational measures which aggregate predictions along the dyads in a network. We conclude with suggestions for research designs to study homophily in online networks. Code for this paper is available at https://github.com/georgeberry/autocorr.
• Abstract（参考訳）: オンラインソーシャルネットワークでは、ノードカテゴリの予測を用いてホモフィリーや他の関係性の測定を行うのが一般的である。 しかし、オンラインのソーシャルネットワークデータは、しばしばノードに関する基本的な人口統計情報を欠いている。 研究者は、ホモフィリーの測度を推定するために予測ノード属性に頼る必要があるが、これらの測度の有効性についてはほとんど分かっていない。 ネットワーク内でのホモフィリ推定は、ディヤド予測問題とみなすことができ、ネットワーク内のダイアドレベルの残差がゼロに等しい場合、ホモフィリ推定は不偏であることを示す。 民族や性別を分類するための名前の使用のようなノードレベルの予測モデルは、一般にこの性質を持っておらず、ホモフィリーな推定に大きなバイアスをもたらす可能性がある。 バイアスはdyadsに沿ってエラー自己相関によって発生する。 重要なことは、ノードレベルの分類性能はホモフィリーの推定精度の信頼できる指標ではない。 ノードとdyadレベルでの予測を行う推定戦略を比較し、異なる設定で性能を評価する。 本稿では,標準ノードとdyadの分類戦略に勝る「エゴ代替」モデリング手法を提案する。 本稿では,ホモフィリーに着目しながら,ネットワーク内のダイアドに沿って予測を集約する他の関係測度に一般化する。 我々は、オンラインネットワークでホモフィリの研究を行うための研究設計を提案する。 この論文のコードはhttps://github.com/georgeberry/autocorr.com で入手できる。

関連論文リスト

• RoCP-GNN: Robust Conformal Prediction for Graph Neural Networks in Node-Classification [0.0]
  グラフニューラルネットワーク(GNN)は、グラフ構造化データの結果を予測する強力なツールとして登場した。 この問題に対処する一つの方法は、事前に定義された確率マージンを持つ真のラベルを含む予測セットを提供することである。 我々は,GNNに対するロバスト・コンフォーマル予測(RoCP-GNN)と呼ばれる新しい手法を提案する。 我々のアプローチはグラフベース半教師付き学習(SSL)の領域における予測の不確実性を定量化しながら、任意の予測的GNNモデルで結果を確実に予測する。
  論文  参考訳（メタデータ） (2024-08-25T12:51:19Z)
• Enhancing octree-based context models for point cloud geometry compression with attention-based child node number prediction [12.074555015414886]
  点雲幾何学的圧縮では、ほとんどのオクツリーベースのコンテキストモデルでは、ノード占有率の1ホット符号化と、コンテキストモデルによって予測される確率分布との交差エントロピーを損失として利用する。 まず,クロスエントロピー損失関数が1ホット符号化と予測確率分布の差を正確に測定できない理由を解析する。 本稿では,注意に基づく子ノード数予測(ACNP)モジュールを提案する。
  論文  参考訳（メタデータ） (2024-07-11T14:16:41Z)
• Generation is better than Modification: Combating High Class Homophily Variance in Graph Anomaly Detection [51.11833609431406]
  異なるクラス間のホモフィリー分布の差は、ホモフィリックグラフやヘテロフィリックグラフよりも著しく大きい。 我々は、この現象を定量的に記述した、クラスホモフィリーバリアンスと呼ばれる新しい計量を導入する。 その影響を軽減するために,ホモフィリーエッジ生成グラフニューラルネットワーク(HedGe)と呼ばれる新しいGNNモデルを提案する。
  論文  参考訳（メタデータ） (2024-03-15T14:26:53Z)
• Graph Out-of-Distribution Generalization via Causal Intervention [69.70137479660113]
  本稿では,ノードレベルの分散シフトの下で頑健なグラフニューラルネットワーク(GNN)をトレーニングするための,概念的に単純だが原則化されたアプローチを提案する。 本手法は,環境推定器と熟練GNN予測器を協調する因果推論に基づく新たな学習目標を提案する。 本モデルでは,様々な分散シフトによる一般化を効果的に向上し,グラフOOD一般化ベンチマーク上での最先端の精度を最大27.4%向上させることができる。
  論文  参考訳（メタデータ） (2024-02-18T07:49:22Z)
• Uncertainty Quantification over Graph with Conformalized Graph Neural Networks [52.20904874696597]
  グラフニューラルネットワーク(GNN)は、グラフ構造化データに基づく強力な機械学習予測モデルである。 GNNには厳密な不確実性見積が欠如しており、エラーのコストが重要な設定での信頼性の高いデプロイメントが制限されている。 本稿では,共形予測(CP)をグラフベースモデルに拡張した共形GNN(CF-GNN)を提案する。
  論文  参考訳（メタデータ） (2023-05-23T21:38:23Z)
• Distribution Free Prediction Sets for Node Classification [0.0]
  我々は、共形予測の最近の進歩を活用し、帰納学習シナリオにおけるノード分類のための予測セットを構築する。 我々は、一般的なGNNモデルを用いた標準ベンチマークデータセットの実験を通して、共形予測の簡単な応用よりも、より厳密でより良い予測セットを提供することを示す。
  論文  参考訳（メタデータ） (2022-11-26T12:54:45Z)
• Dense Uncertainty Estimation [62.23555922631451]
  本稿では,ニューラルネットワークと不確実性推定手法について検討し,正確な決定論的予測と確実性推定の両方を実現する。 本研究では,アンサンブルに基づく手法と生成モデルに基づく手法の2つの不確実性推定法について検討し,それらの長所と短所を,完全/半端/弱度に制御されたフレームワークを用いて説明する。
  論文  参考訳（メタデータ） (2021-10-13T01:23:48Z)
• Improving Uncertainty Calibration via Prior Augmented Data [56.88185136509654]
  ニューラルネットワークは、普遍関数近似器として機能することで、複雑なデータ分布から学習することに成功した。 彼らはしばしば予測に自信過剰であり、不正確で誤った確率的予測に繋がる。 本稿では,モデルが不当に過信である特徴空間の領域を探索し,それらの予測のエントロピーをラベルの以前の分布に対して条件的に高める手法を提案する。
  論文  参考訳（メタデータ） (2021-02-22T07:02:37Z)
• Estimation with Uncertainty via Conditional Generative Adversarial Networks [3.829070379776576]
  条件付き生成逆数ネットワーク(cGAN)におけるジェネレータの使い方が異なる予測確率型ニューラルネットワークモデルを提案する。 通常のcGANの入力と出力を反転させることで、モデルを予測モデルとしてうまく利用することができる。 さらに,予測の不確実性を測定するために,回帰問題や分類問題に対するエントロピーと相対エントロピーを導入する。
  論文  参考訳（メタデータ） (2020-07-01T08:54:17Z)
• Unlabelled Data Improves Bayesian Uncertainty Calibration under Covariate Shift [100.52588638477862]
  後続正則化に基づく近似ベイズ推定法を開発した。 前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
  論文  参考訳（メタデータ） (2020-06-26T13:50:19Z)
• Sampling Prediction-Matching Examples in Neural Networks: A Probabilistic Programming Approach [9.978961706999833]
  本稿では,確率的プログラミングを用いた分類器の予測レベルセットの探索について考察する。 我々は,予測器が同一の特定の予測信頼度を持つ例のセットとして,予測レベルを定義した。 合成データセットとMNISTを用いた実験により,本手法を実証する。
  論文  参考訳（メタデータ） (2020-01-09T15:57:51Z)

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。