論文の概要: Artificial Benchmark for Community Detection (ABCD): Fast Random Graph Model with Community Structure

• arxiv url: http://arxiv.org/abs/2002.00843v1
• Date: Tue, 14 Jan 2020 17:20:27 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-11 12:24:25.089370
• Title: Artificial Benchmark for Community Detection (ABCD): Fast Random Graph Model with Community Structure
• Title（参考訳）: コミュニティ検出のための人工ベンチマーク(ABCD):コミュニティ構造を持つ高速ランダムグラフモデル
• Authors: Bogumi{\l} Kami\'nski and Pawe{\l} Pra{\l}at and Fran\c{c}ois Th\'eberge
• Abstract要約: 我々は、コミュニティ構造と、コミュニティサイズおよびコミュニティサイズの両方のパワー-法則分布を持つ代替のランダムグラフモデル、ABCD(Artificial Benchmark for Community Detection)を提供する。 ABCDは高速でシンプルで、ユーザーが純粋(独立)なコミュニティと、コミュニティ構造のないランダムなグラフの2つの極端間のスムーズな遷移を可能にするように、簡単に調整できる。
• 参考スコア（独自算出の注目度）: 5.8010446129208155
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Most of the current complex networks that are of interest to practitioners possess a certain community structure that plays an important role in understanding the properties of these networks. Moreover, many machine learning algorithms and tools that are developed for complex networks try to take advantage of the existence of communities to improve their performance or speed. As a result, there are many competing algorithms for detecting communities in large networks. Unfortunately, these algorithms are often quite sensitive and so they cannot be fine-tuned for a given, but a constantly changing, real-world network at hand. It is therefore important to test these algorithms for various scenarios that can only be done using synthetic graphs that have built-in community structure, power-law degree distribution, and other typical properties observed in complex networks. The standard and extensively used method for generating artificial networks is the LFR graph generator. Unfortunately, this model has some scalability limitations and it is challenging to analyze it theoretically. Finally, the mixing parameter $\mu$, the main parameter of the model guiding the strength of the communities, has a non-obvious interpretation and so can lead to unnaturally-defined networks. In this paper, we provide an alternative random graph model with community structure and power-law distribution for both degrees and community sizes, the Artificial Benchmark for Community Detection (ABCD). We show that the new model solves the three issues identified above and more. The conclusion is that these models produce comparable graphs but ABCD is fast, simple, and can be easily tuned to allow the user to make a smooth transition between the two extremes: pure (independent) communities and random graph with no community structure.
• Abstract（参考訳）: 実践者にとって関心のある現在の複雑なネットワークのほとんどは、ネットワークの性質を理解する上で重要な役割を果たす特定のコミュニティ構造を持っている。 さらに、複雑なネットワーク用に開発された機械学習アルゴリズムやツールは、コミュニティの存在を利用して、パフォーマンスやスピードを向上させる。 その結果,大規模ネットワーク上でのコミュニティ検出には競合するアルゴリズムが多数存在する。 残念ながら、これらのアルゴリズムは非常に敏感で、特定の、しかし常に変化する現実世界のネットワークのために微調整することはできない。 したがって、これらのアルゴリズムは、複雑なネットワークで観測されるコミュニティ構造、法則次数分布、その他の典型的特性を組み込んだ合成グラフでしか実行できない様々なシナリオに対してテストすることが重要である。 人工ネットワークを生成する標準的な手法はlfrグラフ生成器である。 残念ながら、このモデルにはスケーラビリティの制限があり、理論的に分析することが難しい。 最後に、混合パラメータ$\mu$は、コミュニティの強みを導くモデルの主パラメータであり、不可避な解釈を持ち、不自然に定義されたネットワークにつながる可能性がある。 本稿では,コミュニティ構造とコミュニティサイズおよびコミュニティサイズの両方のパワー-法則分布を持つ代替ランダムグラフモデルとして,ABCD(Artificial Benchmark for Community Detection)を提案する。 以上の3つの問題を,新しいモデルで解決できることが示される。 結論は、これらのモデルが同等のグラフを生成するが、ABCDは高速で単純であり、ユーザーが2つの極端な(独立でない)コミュニティと、コミュニティ構造のないランダムグラフをスムーズに移行できるように調整することができる。

関連論文リスト

• Unsupervised Graph Attention Autoencoder for Attributed Networks using K-means Loss [0.0]
  我々は、属性付きネットワークにおけるコミュニティ検出のための、教師なしのtextbfGraph Attention textbfAutotextbfEncoder に基づく、シンプルで効率的なクラスタリング指向モデルを提案する。 提案モデルは,ネットワークのトポロジと属性情報の両方から表現を十分に学習し,同時に2つの目的,すなわち再構築とコミュニティ発見に対処する。
  論文  参考訳（メタデータ） (2023-11-21T20:45:55Z)
• Modularity of the ABCD Random Graph Model with Community Structure [2.580765958706854]
  ABCDグラフ(ABCD graph)は、地域社会の構造と、地域社会の大きさの両面での権力-法則分布を持つランダムグラフモデルである。 我々は,ネットワークの最も重要なグラフ特性であるモジュラリティ関数を,コミュニティ検出の文脈で解析する。 また、広く使われているルービンアルゴリズムを含む多くのコミュニティ検出アルゴリズムの品質関数としても使用されている。
  論文  参考訳（メタデータ） (2022-03-03T01:49:46Z)
• Self-Ensembling GAN for Cross-Domain Semantic Segmentation [107.27377745720243]
  本稿では,セマンティックセグメンテーションのためのクロスドメインデータを利用した自己理解型生成逆数ネットワーク(SE-GAN)を提案する。 SE-GANでは、教師ネットワークと学生ネットワークは、意味分節マップを生成するための自己組織化モデルを構成する。 その単純さにもかかわらず、SE-GANは敵の訓練性能を大幅に向上させ、モデルの安定性を高めることができる。
  論文  参考訳（メタデータ） (2021-12-15T09:50:25Z)
• Mitigating Performance Saturation in Neural Marked Point Processes: Architectures and Loss Functions [50.674773358075015]
  本稿では,グラフ畳み込み層のみを利用するGCHPという単純なグラフベースのネットワーク構造を提案する。 我々は,GCHPがトレーニング時間を大幅に短縮し,時間間確率仮定による確率比損失がモデル性能を大幅に改善できることを示した。
  論文  参考訳（メタデータ） (2021-07-07T16:59:14Z)
• Streaming Belief Propagation for Community Detection [16.89299967467454]
  現実世界のアプリケーションでは、ネットワーク構造は通常動的で、時間とともにノードが結合する。 ストリーミングブロックモデル(StSBM)と呼ばれる,時間とともに成長するネットワークのためのシンプルなモデルを提案する。 このモデルでは、投票アルゴリズムに基本的な制限があることが証明される。 また,ストリーミング・プロパゲーション(StreamBP)アプローチを開発し,特定の状況下で最適性を証明した。
  論文  参考訳（メタデータ） (2021-06-09T04:36:09Z)
• Spatio-Temporal Inception Graph Convolutional Networks for Skeleton-Based Action Recognition [126.51241919472356]
  我々はスケルトンに基づく行動認識のためのシンプルで高度にモジュール化されたグラフ畳み込みネットワークアーキテクチャを設計する。 ネットワークは,空間的および時間的経路から多粒度情報を集約するビルディングブロックを繰り返すことで構築される。
  論文  参考訳（メタデータ） (2020-11-26T14:43:04Z)
• Sketch-based community detection in evolving networks [15.512086254435788]
  時間変化ネットワークにおけるコミュニティ検出のアプローチを検討する。 このアプローチの中心となるのは、完全なネットワークの各スナップショットにある重要なコミュニティ構造をキャプチャする、小さなスケッチグラフを維持することだ。 すべての処理を並列に処理できるコミュニティ検出アルゴリズムを定式化する。
  論文  参考訳（メタデータ） (2020-09-24T17:32:57Z)
• On the use of local structural properties for improving the efficiency of hierarchical community detection methods [77.34726150561087]
  本研究では,階層型コミュニティ検出の効率向上のために,局所構造ネットワーク特性をプロキシとして利用する方法について検討する。 また,ネットワークプルーニングの性能への影響を,階層的コミュニティ検出をより効率的にするための補助的手法として検証する。
  論文  参考訳（メタデータ） (2020-09-15T00:16:12Z)
• Improving Graph Neural Network Expressivity via Subgraph Isomorphism Counting [63.04999833264299]
  グラフサブストラクチャネットワーク(GSN)は,サブストラクチャエンコーディングに基づくトポロジ的に認識可能なメッセージパッシング方式である。 Wesfeiler-Leman (WL) グラフ同型テストよりも厳密に表現可能であることを示す。 グラフ分類と回帰タスクについて広範囲に評価を行い、様々な実世界の環境において最先端の結果を得る。
  論文  参考訳（メタデータ） (2020-06-16T15:30:31Z)
• Consistency of Spectral Clustering on Hierarchical Stochastic Block Models [5.983753938303726]
  実世界のネットワークにおけるコミュニティの階層構造について,汎用ブロックモデルを用いて検討する。 本手法の強い一貫性を,幅広いモデルパラメータで証明する。 既存のほとんどの研究とは異なり、我々の理論は接続確率が桁違いに異なるかもしれないマルチスケールネットワークをカバーしている。
  論文  参考訳（メタデータ） (2020-04-30T01:08:59Z)
• Detecting Communities in Heterogeneous Multi-Relational Networks:A Message Passing based Approach [89.19237792558687]
  コミュニティは、ソーシャルネットワーク、生物学的ネットワーク、コンピュータおよび情報ネットワークを含むネットワークの共通の特徴である。 我々は,全同種ネットワークのコミュニティを同時に検出する効率的なメッセージパッシングに基づくアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-04-06T17:36:24Z)

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。