論文の概要: Struct-MMSB: Mixed Membership Stochastic Blockmodels with Interpretable
Structured Priors
- arxiv url: http://arxiv.org/abs/2002.09523v1
- Date: Fri, 21 Feb 2020 19:32:32 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-30 01:10:28.376163
- Title: Struct-MMSB: Mixed Membership Stochastic Blockmodels with Interpretable
Structured Priors
- Title(参考訳): 構造的MMSB:解釈可能な事前構造を持つ混合メンバーシップ確率ブロックモデル
- Authors: Yue Zhang, Arti Ramesh
- Abstract要約: 混合メンバシップブロックモデル(MMSB)は、コミュニティ検出とネットワーク生成のための一般的なフレームワークである。
最近開発された統計リレーショナル学習モデルであるヒンジロスマルコフ確率場(HL-MRF)を用いた柔軟なMMSBモデル、textitStruct-MMSBを提案する。
我々のモデルは、観測された特徴と会員分布の複雑な組み合わせとして符号化された有意義な潜伏変数を用いて、実世界のネットワークにおける潜伏特性を学習することができる。
- 参考スコア(独自算出の注目度): 13.712395104755783
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The mixed membership stochastic blockmodel (MMSB) is a popular framework for
community detection and network generation. It learns a low-rank mixed
membership representation for each node across communities by exploiting the
underlying graph structure. MMSB assumes that the membership distributions of
the nodes are independently drawn from a Dirichlet distribution, which limits
its capability to model highly correlated graph structures that exist in
real-world networks. In this paper, we present a flexible richly structured
MMSB model, \textit{Struct-MMSB}, that uses a recently developed statistical
relational learning model, hinge-loss Markov random fields (HL-MRFs), as a
structured prior to model complex dependencies among node attributes,
multi-relational links, and their relationship with mixed-membership
distributions. Our model is specified using a probabilistic programming
templating language that uses weighted first-order logic rules, which enhances
the model's interpretability. Further, our model is capable of learning latent
characteristics in real-world networks via meaningful latent variables encoded
as a complex combination of observed features and membership distributions. We
present an expectation-maximization based inference algorithm that learns
latent variables and parameters iteratively, a scalable stochastic variation of
the inference algorithm, and a method to learn the weights of HL-MRF structured
priors. We evaluate our model on six datasets across three different types of
networks and corresponding modeling scenarios and demonstrate that our models
are able to achieve an improvement of 15\% on average in test log-likelihood
and faster convergence when compared to state-of-the-art network models.
- Abstract(参考訳): 混合会員確率ブロックモデル(MMSB)は、コミュニティ検出とネットワーク生成のための一般的なフレームワークである。
下位のグラフ構造を利用して、コミュニティをまたがる各ノードの低ランクの混合メンバシップ表現を学習する。
MMSBは、ノードのメンバシップ分布がディリクレ分布から独立して引き出されると仮定し、実世界のネットワークに存在する高相関グラフ構造をモデル化する能力を制限する。
本稿では,最近開発された統計リレーショナル学習モデル,ヒンジロスマルコフ乱数場(HL-MRF)を,ノード属性,マルチリレーショナルリンク,および混合メンバーシップ分布との関係性に先行して構築した,柔軟なリッチなMMSBモデルである \textit{Struct-MMSB} を提案する。
本モデルは,重み付き一階述語論理規則を用いた確率的プログラミングテンプレート言語を用いて,モデルの解釈性を高める。
さらに,本モデルは,観測された特徴と会員分布の複雑な組み合わせとして符号化された有意義な潜在変数を用いて,実世界のネットワークにおける潜在特性を学習することができる。
本稿では,潜在変数とパラメータを反復的に学習する期待最大化に基づく推論アルゴリズム,推定アルゴリズムのスケーラブルな確率的変動,hl-mrf構造化事前の重み付けを学習する手法を提案する。
我々は,3種類のネットワークとそれに対応するモデリングシナリオの6つのデータセット上でモデルを評価し,テストログにおける平均15倍の精度向上と,最先端ネットワークモデルと比較した場合の収束の高速化を実証した。
関連論文リスト
- Federated Learning Aggregation: New Robust Algorithms with Guarantees [63.96013144017572]
エッジでの分散モデルトレーニングのために、フェデレートラーニングが最近提案されている。
本稿では,連合学習フレームワークにおける集約戦略を評価するために,完全な数学的収束解析を提案する。
損失の値に応じてクライアントのコントリビューションを差別化することで、モデルアーキテクチャを変更できる新しい集約アルゴリズムを導出する。
論文 参考訳(メタデータ) (2022-05-22T16:37:53Z) - Bayesian Structure Learning with Generative Flow Networks [85.84396514570373]
ベイズ構造学習では、データから有向非巡回グラフ(DAG)上の分布を推定することに興味がある。
近年,ジェネレーティブ・フロー・ネットワーク(GFlowNets)と呼ばれる確率モデルのクラスが,ジェネレーティブ・モデリングの一般的なフレームワークとして紹介されている。
DAG-GFlowNetと呼ばれる本手法は,DAGよりも後方の正確な近似を提供する。
論文 参考訳(メタデータ) (2022-02-28T15:53:10Z) - Low-Rank Constraints for Fast Inference in Structured Models [110.38427965904266]
この研究は、大規模構造化モデルの計算とメモリの複雑さを低減するための単純なアプローチを示す。
言語モデリング,ポリフォニック・ミュージック・モデリング,教師なし文法帰納法,ビデオ・モデリングのためのニューラルパラメータ構造モデルを用いた実験により,我々の手法は大規模状態空間における標準モデルの精度と一致することを示した。
論文 参考訳(メタデータ) (2022-01-08T00:47:50Z) - Multi-Scale Semantics-Guided Neural Networks for Efficient
Skeleton-Based Human Action Recognition [140.18376685167857]
スケルトンに基づく行動認識には,単純なマルチスケールセマンティクス誘導ニューラルネットワークが提案されている。
MS-SGNは、NTU60、NTU120、SYSUデータセットの最先端のパフォーマンスを達成する。
論文 参考訳(メタデータ) (2021-11-07T03:50:50Z) - Scalable Bayesian Network Structure Learning with Splines [2.741266294612776]
ベイズネットワーク(英: Bayesian Network, BN)は、有向非巡回グラフ(DAG)からなる確率的グラフィカルモデルである。
本稿では,BNのグローバルDAG構造を学習し,変数間の線形および非線形な局所関係をモデル化する新しい手法を提案する。
論文 参考訳(メタデータ) (2021-10-27T17:54:53Z) - deepregression: a Flexible Neural Network Framework for Semi-Structured
Deep Distributional Regression [1.4909973741292273]
Deepregressionは、それぞれディープラーニングライブラリとPyTorchを使用して、RとPythonの両方で実装されている。
Deepregressionは、それぞれディープラーニングライブラリとPyTorchを使用して、RとPythonの両方で実装されている。
論文 参考訳(メタデータ) (2021-04-06T17:56:31Z) - Edge-assisted Democratized Learning Towards Federated Analytics [67.44078999945722]
本稿では,エッジ支援型民主化学習機構であるEdge-DemLearnの階層的学習構造を示す。
また、Edge-DemLearnを柔軟なモデルトレーニングメカニズムとして検証し、リージョンに分散制御と集約の方法論を構築する。
論文 参考訳(メタデータ) (2020-12-01T11:46:03Z) - Improving the Reconstruction of Disentangled Representation Learners via Multi-Stage Modeling [54.94763543386523]
現在の自己エンコーダに基づく非絡み合い表現学習法は、(集合体)後部をペナルティ化し、潜伏因子の統計的独立を促進することで、非絡み合いを実現する。
本稿では,不整合因子をペナルティに基づく不整合表現学習法を用いて学習する,新しい多段階モデリング手法を提案する。
次に、低品質な再構成を、欠落した関連潜伏変数をモデル化するために訓練された別の深層生成モデルで改善する。
論文 参考訳(メタデータ) (2020-10-25T18:51:15Z) - 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) - Semi-Structured Distributional Regression -- Extending Structured
Additive Models by Arbitrary Deep Neural Networks and Data Modalities [0.0]
本稿では、構造化回帰モデルとディープニューラルネットワークを統合ネットワークアーキテクチャに結合する一般的なフレームワークを提案する。
数値実験において,本フレームワークの有効性を実証し,ベンチマークや実世界の応用において,そのメリットを実証する。
論文 参考訳(メタデータ) (2020-02-13T21:01:26Z) - Fragmentation Coagulation Based Mixed Membership Stochastic Blockmodel [17.35449041036449]
MMSB(Mixed-Membership Blockmodel)は,ネットワークデータの基盤となる複雑な隠れ構造を学習するのに適した,最先端のベイズ的手法の一つとして提案されている。
本モデルでは,エンティティのコミュニティ情報を抽出するエンティティベースのクラスタリングと,リンクのグループ情報を同時に導出するリンケージベースのクラスタリングを行う。
コミュニティ構造とグループ互換行列を統合することにより、MMSBの一般化版を導出する。
論文 参考訳(メタデータ) (2020-01-17T22:02:23Z)
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。