論文の概要: Latent Poisson models for networks with heterogeneous density
- arxiv url: http://arxiv.org/abs/2002.07803v4
- Date: Fri, 17 Jul 2020 14:43:43 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-30 19:59:48.685768
- Title: Latent Poisson models for networks with heterogeneous density
- Title（参考訳）: 不均一密度ネットワークのための潜在ポアソンモデル
- Authors: Tiago P. Peixoto
- Abstract要約: 経験的ネットワークは、ネットワークの総サイズと比較すると、ノード当たりの平均接続数が少ないため、グローバルに疎結合であることが多い。
隠れた多グラフを生成する潜在ポアソンモデルがこの密度を捉えるのにいかに効果的かを示すとともに、単純なグラフを直接モデル化するいくつかの選択肢よりも数学的に計算可能であることを示す。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Empirical networks are often globally sparse, with a small average number of
connections per node, when compared to the total size of the network. However,
this sparsity tends not to be homogeneous, and networks can also be locally
dense, for example with a few nodes connecting to a large fraction of the rest
of the network, or with small groups of nodes with a large probability of
connections between them. Here we show how latent Poisson models which generate
hidden multigraphs can be effective at capturing this density heterogeneity,
while being more tractable mathematically than some of the alternatives that
model simple graphs directly. We show how these latent multigraphs can be
reconstructed from data on simple graphs, and how this allows us to disentangle
disassortative degree-degree correlations from the constraints of imposed
degree sequences, and to improve the identification of community structure in
empirically relevant scenarios.
- Abstract（参考訳）: 経験的ネットワークは、ネットワークの総サイズと比較すると、ノード当たりの平均接続数が少ないため、グローバルに疎結合であることが多い。
しかし、この空間性は均質ではない傾向があり、ネットワークが局所的に密集している場合もあり、例えば、ネットワークの残りの部分の大部分に接続するノードや、ネットワーク間の接続の確率が大きいノードの小さなグループがある。
ここでは,隠れマルチグラフを生成する潜在ポアソンモデルが,単純なグラフを直接モデル化する他の方法よりも数学的に扱いやすい一方で,この密度の不均一性を捉える上で有効であることを示す。
これらの潜在マルチグラフが,単純なグラフ上のデータからどのように再構成できるか,また,与えられた次数列の制約から不規則な次数相関を解消し,経験的に関連するシナリオにおけるコミュニティ構造の同定を改善することができるかを示す。
関連論文リスト
- Sum-Product-Set Networks: Deep Tractable Models for Tree-Structured Graphs [0.0]
木構造グラフデータから木構造グラフデータへの確率回路の拡張である和積集合ネットワークを提案する。
我々は,ニューラルネットワークに基づく様々な抽出可能なモデルに対して,抽出可能なモデルが比較可能であることを実証した。
論文 参考訳（メタデータ） (2024-08-14T09:13:27Z) - NodeFormer: A Scalable Graph Structure Learning Transformer for Node
Classification [70.51126383984555]
本稿では,任意のノード間のノード信号を効率的に伝搬する全ペアメッセージパッシング方式を提案する。
効率的な計算は、カーナライズされたGumbel-Softmax演算子によって実現される。
グラフ上のノード分類を含む様々なタスクにおいて,本手法の有望な有効性を示す実験を行った。
論文 参考訳（メタデータ） (2023-06-14T09:21:15Z) - Multiplex Heterogeneous Graph Convolutional Network [25.494590588212542]
異種ネットワーク埋め込みのための多重異種グラフ畳み込みネットワーク(MHGCN)を提案する。
我々のMHGCNは、多重異種ネットワークにおいて、異なる長さの有用な異種メタパス相互作用を自動的に学習することができる。
論文 参考訳（メタデータ） (2022-08-12T06:17:54Z) - Block Dense Weighted Networks with Augmented Degree Correction [1.2031796234206138]
本稿では,接続パターンの異なる重み付きネットワークの生成と推定を行う新しいフレームワークを提案する。
提案したモデルは,個々のノード特性をノードを接続するエッジにマッピングする関数の特定のクラスに依存している。
また,複数のデータセットを収集できない状況において,同一の頂点上で新たなネットワークを生成するブートストラップ手法を開発した。
論文 参考訳（メタデータ） (2021-05-26T01:25:07Z) - Reinforced Neighborhood Selection Guided Multi-Relational Graph Neural
Networks [68.9026534589483]
RioGNNはReinforceed, recursive, flexible neighborhood selection guided multi-relational Graph Neural Network architectureである。
RioGNNは、各関係の個々の重要性の認識により、説明性を高めた差別的なノード埋め込みを学ぶことができる。
論文 参考訳（メタデータ） (2021-04-16T04:30:06Z) - 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) - Latent space models for multiplex networks with shared structure [3.602377086789099]
共有ノード上で観測される多重ネットワークのための新しい潜在空間モデルを提案する。
我々のモデルは、どれだけのネットワーク構造が層間で共有されているかのデータから学び、層間で情報をプールする。
シミュレーションネットワークやマルチプレックスネットワークにおいて,農作物の世界的な取引を記述したモデルと競合する手法を比較した。
論文 参考訳（メタデータ） (2020-12-28T18:42:19Z) - Factorizable Graph Convolutional Networks [90.59836684458905]
本稿では,グラフに符号化された相互に絡み合った関係を明示的に解消する新しいグラフ畳み込みネットワーク(GCN)を提案する。
FactorGCNは単純なグラフを入力として取り、それをいくつかの分解グラフに分解する。
提案したFacterGCNは,合成および実世界のデータセットに対して質的かつ定量的に評価する。
論文 参考訳（メタデータ） (2020-10-12T03:01:40Z) - 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) - Analyzing Neural Networks Based on Random Graphs [77.34726150561087]
様々なタイプのランダムグラフに対応するアーキテクチャを用いて,ニューラルネットワークの大規模評価を行う。
古典的な数値グラフ不変量は、それ自体が最良のネットワークを選び出すことができない。
また、主に短距離接続を持つネットワークは、多くの長距離接続が可能なネットワークよりも性能が良いことも見出した。
論文 参考訳（メタデータ） (2020-02-19T11:04:49Z) - Block-Approximated Exponential Random Graphs [77.4792558024487]
指数乱グラフ(ERG)の分野における重要な課題は、大きなグラフ上の非自明なERGの適合である。
本稿では,非自明なERGに対する近似フレームワークを提案する。
我々の手法は、数百万のノードからなるスパースグラフにスケーラブルである。
論文 参考訳（メタデータ） (2020-02-14T11:42:16Z)
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。